فهرس المقالات Neural Network

• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  1 - ناحیه بندی تصاویر مغز نوزادان بر اساس شبکه های عصبی پیچشی
  ایران  سرافراز حامد آگاهی آذر محمودزاده
  در این مقاله، روشی مبتنی بر شبکه های عصبی پیچشی برای ناحیه بندی تصاویر مغز نوزادان ارائه می شود. یکی از چالش های مهم در ناحیه بندی تصاویر مغز نوزادان، همپوشانی توزیع شدت روشنایی بافت های ماده خاکستری و ماده سفید است که منجر به کاهش دقت ناحیه بندی این نواحی می شود. برای أکثر

  در این مقاله، روشی مبتنی بر شبکه های عصبی پیچشی برای ناحیه بندی تصاویر مغز نوزادان ارائه می شود. یکی از چالش های مهم در ناحیه بندی تصاویر مغز نوزادان، همپوشانی توزیع شدت روشنایی بافت های ماده خاکستری و ماده سفید است که منجر به کاهش دقت ناحیه بندی این نواحی می شود. برای افزایش تمایز سطوح خاکستری بین بافت های مغز، در این مقاله یک روش پیش پردازش مبتنی بر شبکه های عصبی پیچشی ارائه می شود که به طور موثری باعث افزایش دقت ناحیه بندی می گردد. برای به دست آوردن نتیجه نهایی ناحیه بندی، یک شبکه پیچشی دیگر ارائه می شود که بر اساس تصاویر مدالیتی T1-T2ناحیه بندی را انجام می دهد. برای ارزیابی روش پیشنهادی، از دو پایگاه داده که شامل تصاویر رزونانس مغناطیسی مغز نوزادان است استفاده می شود. نتایج به دست آمده نشان دهنده کارایی مناسب روش پیشنهادی در ناحیه بندی بافت های مغز است. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  2 - الگوریتم¬های یادگیری عمیق در فراتفکیک پذیری تصاویر
  بهار  قادری حمید آزاد
  فراتفکیک¬پذیری تصویر یکی از فرآیند¬های مهم پردازش تصویر جهت افزایش وضوح تصاویر و ویدئو¬ها می¬باشد. در سال¬های اخیر، روش¬های مبتنی بر شبکه¬های عصبی عمیق جهت فراتفکیک¬پذیری شاهد پیشرفت قابل توجهی بوده است. هدف این مقاله ارائه یک بررسی جامع در مورد پیشرفت¬های اخیر فراتفکیک أکثر

  فراتفکیک¬پذیری تصویر یکی از فرآیند¬های مهم پردازش تصویر جهت افزایش وضوح تصاویر و ویدئو¬ها می¬باشد. در سال¬های اخیر، روش¬های مبتنی بر شبکه¬های عصبی عمیق جهت فراتفکیک¬پذیری شاهد پیشرفت قابل توجهی بوده است. هدف این مقاله ارائه یک بررسی جامع در مورد پیشرفت¬های اخیر فراتفکیک¬پذیری تصویر با استفاده از رویکرد¬های یادگیری عمیق است. در اين مقاله، ضمن معرفي مفاهیم فراتفکیک¬پذیری تصویر، به بررسی الگوریتم¬های رایج یادگیری عمیق جهت فراتفکیک¬پذیری، و کاربردهای فراتفکیک¬پذیری پرداخته شده¬است. علاوه بر این، مجموعه پایگاه¬های داده و معیارهای ارزیابی تشریح داده می¬شود. اين مقاله مي¬تواند راهگشاي محققان پردازش تصوير در فرآیند فراتفکیک¬پذیری باشد. اهتمام نويسندگان بر اين بوده است که همه جنبه¬هاي اين فرآیند مورد کاوش قرار گيرد. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  3 - یک روش جدید بر روی تجزیه بافت برای طبقه بندی تشخیص خودکار میکروکلسیفیکیشن سینه تصاویر ماموگرافی
  زهرا مقصودزاده سروستانی جاسم  جمالی مهدی تقی زاده محمد حسین فاتحی
  برنامه های غربالگری از ماموگرافی به عنوان ابزار تشخیصی اولیه برای شناسایی زودهنگام سرطان پستان استفاده می کنند. هدف از انجام اين کار، امكان سنجي جداسازي اتوماتيك تصاوير میکروکلسیفیکیشن هاي بافت پستان و همچنين ارزيابي دقت آن با استفاده از به كارگيري دو تكنيك بهبود تصویر أکثر

  برنامه های غربالگری از ماموگرافی به عنوان ابزار تشخیصی اولیه برای شناسایی زودهنگام سرطان پستان استفاده می کنند. هدف از انجام اين کار، امكان سنجي جداسازي اتوماتيك تصاوير میکروکلسیفیکیشن هاي بافت پستان و همچنين ارزيابي دقت آن با استفاده از به كارگيري دو تكنيك بهبود تصویر و برجسته سازی میکروکلسیفیکیشن هاي بافت سینه برای نواحی مورد نظر ROI به کمک سیستم فازی بر اساس کانتراست منطقه و روش فیلترینگ گابور اشاره شده است. بعد از تعیین خوشه های میکروکلسیفیکیشن هاي بافت پستان، طبقه بندی خوشه ها با کمک الگوریتم طبقه بندی درخت تصمیم انجام مي شود. در ادامه برای بخش بندی نمونه های مشکوک به میکروکلسیفیکیشن برجسته و ماسک گذاری می شود و در مرحله آخر ویژگیهای بافت استخراج شده است و با کمک شبکه عصبی مصنوعی (ANN) برای تعیین نوع خوشخیم و بدخیم خوشه های بخش بندی شده ROI، استفاده می شود. نتایجی این کار انجام شده نشان دهنده دقت بالای 93% و بهبود حساسیت بالای 95% می باشد، که نشان می دهد راهکار ارائه شده می تواند با اطمینان برای تشخیص سرطان پستان اعمال شود. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  4 - تشخیص تومور مغزی در تصاویر رزونانس مغناطیسی با استفاده از شبکه عصبی کانولوشنی عمیق
  میترا  افسری نژاد نبي اله شیری رامین براتی
  در این مقاله، تشخیص تومور مغز از طریق به کارگیری تکنیک‌های پیشرفته یادگیری عمیق مورد بررسی قرار گرفته است. رویکرد این مطالعه شامل توسعه و آموزش یک معماری جامع از شبکه عصبی کانولوشنی (CNN) با بهره‌گیری از یک مجموعه داده گسترده از تصاویر رزونانس مغناطیسی مغز (MRI) می¬باشد أکثر

  در این مقاله، تشخیص تومور مغز از طریق به کارگیری تکنیک‌های پیشرفته یادگیری عمیق مورد بررسی قرار گرفته است. رویکرد این مطالعه شامل توسعه و آموزش یک معماری جامع از شبکه عصبی کانولوشنی (CNN) با بهره‌گیری از یک مجموعه داده گسترده از تصاویر رزونانس مغناطیسی مغز (MRI) می¬باشد، مدل پیشنهادی در طبقه‌بندی بافت معمولی مغز و مناطق تحت تأثیر تومور بسیار توانمند است. این معماری شامل لایه‌های متعدد از جمله لایه‌های کانولوشنی، نرمال‌سازی دسته‌ای و لایه‌های پولینگ است که در نهایت به یک لایه قوی طبقه‌بندی منجر می‌شود. از طریق آموزش دقیق و بهینه‌سازی، شبکه عصبی کانولوشنی معرفی‌شده توانسته است در طبقه‌بندی تومور مغز به دقت بالایی دست یابد. اثربخشی این مدل پیشنهادی از طریق آزمایشات جامع به نمایش گذاشته شده که نشان‌دهنده قابلیت آن در تشخیص دقیق تومور مغز است. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  5 - یک روش مبتنی بر شبکه عصبی عمیق بهینه شده با الگوریتم هافمن و الگوریتم¬های فرا ابتکاری برای فشرده¬سازی و بازسازی تصویر پزشکی
  محمد حسین  خلیفه مهدی  تقی زاده محمدمهدی قنبریان جاسم جمالی
  این تحقیق از دو رویکرد مختلف برای فشرده‌سازی عکس‌های پزشکی برای اهداف بلندمدت استفاده می‌کند. در روش اول، تصاویر با استفاده از رمز هافمن فشرده شده و سپس با استفاده از مدل‌سازی سلسله مراتبی بر اساس طبقه‌بندی طراحی شده توسط شبکه عصبی ساده‌سازی می‌شوند. در روش دوم از یک اس أکثر

  این تحقیق از دو رویکرد مختلف برای فشرده‌سازی عکس‌های پزشکی برای اهداف بلندمدت استفاده می‌کند. در روش اول، تصاویر با استفاده از رمز هافمن فشرده شده و سپس با استفاده از مدل‌سازی سلسله مراتبی بر اساس طبقه‌بندی طراحی شده توسط شبکه عصبی ساده‌سازی می‌شوند. در روش دوم از یک استراتژی پیش‌بینی مبتنی بر آموزش شبکه عصبی عمیق استفاده شده است. این روش از یک شبکه عصبی آموزش‌دیده برای استنتاج مکان‌های پیکسل‌های منفرد استفاده می‌کند و از این رو، مقدار داده‌های مورد نیاز برای توصیف یک تصویر را کاهش می‌دهد. رمزگذاری فشرده¬سازی هافمن روی داده¬های باقی¬مانده استفاده می¬شود. یک روش فیلتر فضایی پیشرفته برای رمزگشایی داده‌های تصویر استفاده می‌شود و سپس الگوریتم‌های فراابتکاری بهینه‌سازی اسب وحشی و بهینه‌سازی گرگ خاکستری برای تولید یک تصویر بازسازی‌شده استفاده می‌شوند. رویکردهای پیشنهادی امکان ساده‌سازی تصویر را فراهم می‌کنند که منجر به رمزگشایی سریع‌تر شده است. مدولاسیون شاخص تشابه ساختاری، زمان و نسبت سیگنال به نویز پیک به ترتیب به طور متوسط 2، 1/30 و 15/15 درصد نسبت به سایر روش¬ها بهبود یافته است. الگوریتم‌های پیشنهادی می‌توانند عکس‌های پزشکی را با کیفیت بسیار بالایی در مقایسه با روش‌های مبتنی بر یادگیری عمیق فعلی فشرده کنند. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  6 - پیش بینی قیمت سهام با استفاده از روش داده کاوی
  مجتبی حاجی غلامی
  این مقاله به بررسی روش‌های داده کاوی برای پیش‌بینی بازار های مالی و تحلیل توسعه پایدار موضوعات مالی و پیش‌بینی روند با استفاده از داده کاوی می‌پردازد. این مقاله همچنین به بررسی تأثیر استفاده از روش‌های داده کاوی در بازار سهام و کارایی آن در این زمینه می‌پردازد. در این ت أکثر

  این مقاله به بررسی روش‌های داده کاوی برای پیش‌بینی بازار های مالی و تحلیل توسعه پایدار موضوعات مالی و پیش‌بینی روند با استفاده از داده کاوی می‌پردازد. این مقاله همچنین به بررسی تأثیر استفاده از روش‌های داده کاوی در بازار سهام و کارایی آن در این زمینه می‌پردازد. در این تحقیق یک رویکرد یادگیری ماشینی معرفی میشود که اطلاعات را با استفاده از داده های موجودی عمومی میسازد و از آن اطلاعات برای پیشبینی دقیق استفاده میکند. همچنین به بررسی گونه‌های متنوعی از روش‌های داده کاوی می‌پردازد که در حوزه تجزیه و تحلیل بازارهای مالی کاربرد دارند و به طور ویژه تمرکز خود را بر پیش‌بینی روندهای بازار سهام معطوف می‌دارد. مطالعه ما نشان می‌دهد که از آنجایی که بازارهای مالی پویا و متغیر هستند و همواره تحت تأثیر عوامل اقتصادی، سیاسی و اجتماعی قرار دارند، استفاده از روش‌های یادگیری ماشینی و داده کاوی می‌تواند در پیش‌بینی دقیق‌تر حرکات قیمتی سهام مؤثر واقع شود. با توجه به داده‌های گسترده و پیچیده موجود در بازارهای مالی، روش‌های داده کاوی می‌توانند پتانسیل فراوانی در کشف الگوهای پنهان و تعیین ارتباط میان متغیرهای مختلف داشته باشند. در این راستا، الگوریتم‌های مختلف یادگیری ماشینی مانند شبکه‌های عصبی مصنوعی، ماشین‌های بردار پشتیبان و جنگل‌های تصادفی به عنوان مثال مورد استفاده قرار گرفته و در کنار آنالیزهای آماری، به بهبود قابلیت‌های تحلیل‌گران و سرمایه‌گذاران در تصمیم‌گیری‌های اقتصادی کمک می‌کنند. استفاده از داده‌های بزرگ و تحلیل‌های پیچیده همچنین به توسعه استراتژی‌های معاملاتی هوشمندانه که می‌توانند به بهینه‌سازی بازگشت سرمایه کمک کنند، کمک نموده است. برای نمونه، تحلیلگران می‌توانند با ادغام داده‌های احساسی حاصل از شبکه‌های اجتماعی در مدل‌های پیش‌بینی خود، دقت تخمین‌های خود را ارتقا بدهند. این مطالعه تأکید دارد که توسعه پایدار در بازارهای مالی نیازمند تحلیلی دقیق‌تری از داده‌ها است که در نهایت منجر به تصمیم‌گیری‌های مبتنی بر داده و فرآیندهای معاملاتی قوی تر می‌شود. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  7 - ارائه مدلی از نقش تمایزات فردی برپیش بینی تبلیغات چریکی با استفاده از شبکه عصبی پرسپترون
  تارا طائفی وحیدرضا میرابی قاسمعلی بازایی سهیل سرمد سعیدی
  تبلیغات چریکی بر خلاف الگوهای تعریف شده ، با استفاده از ایده های ساده و انعطاف پذیر در تلاش است تا با جذب مخاطبان در دل آن ها نفوذ کند و با صرف کمترین هزینه در آینده سودآوری را ایجاد نماید. بخشی از این فرایند با توجه به شخصیت درونی فرد شکل می گیرد و بررسی تمایزات فردی م أکثر

  تبلیغات چریکی بر خلاف الگوهای تعریف شده ، با استفاده از ایده های ساده و انعطاف پذیر در تلاش است تا با جذب مخاطبان در دل آن ها نفوذ کند و با صرف کمترین هزینه در آینده سودآوری را ایجاد نماید. بخشی از این فرایند با توجه به شخصیت درونی فرد شکل می گیرد و بررسی تمایزات فردی مخاطبین و مشتریان اهمیت می یابد . هدف پژوهش، ارائه مدلی از نقش تمایزات فردی برپیش بینی تبلیغات چریکی می باشد. با توجه به هدف ، روش پژوهش از نظرهدف اکتشافی و روش آن توصیفی_ پیمایشی می باشد. نگرش و شخصیت شناسی به ترتیب با شاخص های(انگیزه های روانی و بعد فنی برای نگرش ) و (آزمون استاندار شخصیت شناسی مایزر و بریگز برای شخصیت شناسی) شناسایی شد. جامعه آماری مشتریان شرکت کسب و کار ورزشی (گو اسپرت )می باشد . روش نمونه گیری طبقاتی وطبق فرمول کوکران 277 نفردر نظر گرفته شد. داده های اولیه در 2 پرسشنامه شامل پرسشنامه استاندار مایرز-بریگز 70 سئوال بسته و تخصصی و دیگری محقق ساخته شامل 25 سئوال بسته و تخصصی گردآوری شده است ، که به کمک روش شبکه عصبی مصنوعی پرسپترون الگو، با برازش 92% با 2 نرون پنهان و 4 نرون خروجی مبنی بر 4 استراتژی تعریف شده برای پیش بینی تبلیغات چریکی مناسب با استفاده از متغیر نگرش و شخصیت طراحی شد. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  8 - آینده نگاری کیفیت عملکرد دانشجویانِ آموزش عالی نظامی با استفاده از الگوریتم پیش بینی شبکه عصبی مصنوعی مورد مطالعه: یک سازمان نظامی
  محمد فلاح حمیده رشادت جو
  زمینه: از جمله مباحث اساسی در نظام آموزش عالی یک کشور، مبانی کیفیت عملکرد دانشجویان و دانش‌آموختگان دانشگاههاست که دو مورد از اصلی‌ترین موارد هفتگانه در حوزه کیفیت در آموزش عالی را تشکیل داده و با دربرگرفتن مولفه-های متعدد، اهمیت فراوانی در ارتقای کیفیت نظام آموزش عالی أکثر

  زمینه: از جمله مباحث اساسی در نظام آموزش عالی یک کشور، مبانی کیفیت عملکرد دانشجویان و دانش‌آموختگان دانشگاههاست که دو مورد از اصلی‌ترین موارد هفتگانه در حوزه کیفیت در آموزش عالی را تشکیل داده و با دربرگرفتن مولفه-های متعدد، اهمیت فراوانی در ارتقای کیفیت نظام آموزش عالی هر کشور دارد و هرگونه ابهام در آن به‌ویژه در آموزش عالی نظامی که از حساسیت بالاتری برخوردار است باعث بوجود آمدن تبعات جبران‌ناپذیری خواهد شد. هدف: هدف اصلی این مقاله آینده‌نگاری کیفیت عملکرد دانشجویانِ آموزش عالی نظامی با استفاده از الگوریتم پیش‌بینی شبکه‌ عصبی مصنوعی است که در راستای آن مولفه‌های اصلی کیفیت عملکرد دانشجویان نیز مورد بررسی قرار گرفته است. روش: در این مقاله با استفاده از الگوریتم‌ پیش‌بینی شبکه عصبی مصنوعی، آینده‌نگاری کیفیت عملکرد دانشجویان در سه فاز یادگیری، اعتبارسنجی و آزمون شبکه عصبی به انجام رسید که جامعه آماری آن متشکل از اعضای هیأت علمی دانشگاه هوایی شهید ستاری، دانشجویان و دانش‌آموختگان این دانشگاه و نیز اعضای دفتر مطالعات راهبردی و پژوهشهای نظری نهاجا بود و با استفاده از ابزار مصاحبه نیمه‌ساختارمند و پرسشنامه محقق ساخته به گردآوری اطلاعات پرداخته شد و نهایتاً از نرم‌افزار متلب برای مدلسازی شبکه عصبی استفاده گردید. یافته‌ها: با استفاده از الگوریتم شبکه عصبی مصنوعی، مدلی با دقت 5/85 % طراحی شد و مورد آزمون قرار گرفت. نتیجه‌گیری: با استفاده از الگوریتم شبکه عصبی مصنوعی و مدلسازی کیفیت عملکرد دانشجویان می‌توان با دقت بسیار بالایی آینده‌نگاری کیفیت عملکرد دانش‌آموختگان در سازمان نهاجا را تدوین نمود. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  9 - پیش بینی خطر ورشکستگی با استفاده از شبکه های عصبی مصنوعی مبتنی بر رویکرد پرسپترون چندلایه(شواهد تجربی: بورس اوراق بهادار تهران)
  سمیه سارویی حمیدرضا وکیلی فر قدرت الله طالب نیا
  در پژوهش حاضر به شناسایی عوامل موثر بر پیش بینی ورشکستگی شرکتهای ایرانی با استفاده از سیستم شبکه های عصبی مصنوعی (ANN) بر مبنای رویکرد پرسپترون چندلایه (PS) و ارائه یک مدل آماری مناسب به منظور برآورد ورشکستگی شرکتهای ایرانی، با استفاده از یافته های حاصل از اجرای شبکه AN أکثر

  در پژوهش حاضر به شناسایی عوامل موثر بر پیش بینی ورشکستگی شرکتهای ایرانی با استفاده از سیستم شبکه های عصبی مصنوعی (ANN) بر مبنای رویکرد پرسپترون چندلایه (PS) و ارائه یک مدل آماری مناسب به منظور برآورد ورشکستگی شرکتهای ایرانی، با استفاده از یافته های حاصل از اجرای شبکه ANN پرداخته شده است. در پژهش حاضر به دنبال پاسخ گویی به این پرسش هستیم که آیا عوامل سودمند در راستای پیش بینی ورشکستگی شرکتهای ایرانی توسط سیستم شبکه عصبی مصنوعی قابل شناسایی است یا خیر . جامعه آماری در تحقیق حاضر تمامی شرکتهای پذیرفته شده در بورس اوراق بهادار تهران هستند که با لحاظ نمودن معیارهایی و به روش حذف سیستماتیک تعداد 172 شرکت از این جامعه آماری در بازه زمانی 1386 الی 1395 بعنوان نمونه در تحقیق حاضر انتخاب شده اند. به منظور انجام تحلیل های آماری در پژوهش حاضر از روش سیستم شبکه های عصبی مصنوعی بر مبنای رویکرد پرسپترون چندلایه استفاده شده است. یافته های حاصل از تجزیه و تحلیل داده های پژوهش نشان می دهد که سیستم ANNقادر است با دقتی معادل 98 درصد عوامل تاثیر گذار بر ورشکستگی شرکتهای ایرانی را در سال قبل از ورشکستگی شناسایی نماید. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  10 - توسعه کابرد مدل های باکس جنکینز ،شبکه عصبی مصنوعی و تعدیل نمایی در پیش بینی و مدیریت پدیده های اجتماعی (مطالعه موردی: پیش بینی روند ازدواج و طلاق در استان ایلام)
  محمدرضا امیدی نبی امیدی اردشیر شیری رحمت اله محمدی پور
  روش‌های پیش‌بینی و آینده پژوهی یکی از ابزارهای مهم در اختیار مدیران و کارشناسان برای اخذ تصمیمات راهبردی وصحیح است. با وجود توسعه روش های پیش بینی ، ولی کمتر به کاربرد این روش ها در پیش بینی پدیده های اجتماعی مانند ازدواج، طلاق و رشد جمعیت پرداخته شده است.در این تحقیق ب أکثر

  روش‌های پیش‌بینی و آینده پژوهی یکی از ابزارهای مهم در اختیار مدیران و کارشناسان برای اخذ تصمیمات راهبردی وصحیح است. با وجود توسعه روش های پیش بینی ، ولی کمتر به کاربرد این روش ها در پیش بینی پدیده های اجتماعی مانند ازدواج، طلاق و رشد جمعیت پرداخته شده است.در این تحقیق با استفاده از سری زمانی تعداد ازدواج و طلاق در استان ایلام بین سال های 1371 تا 1392 به پیش بینی این مقادیر با استفاده از مدل های باکس و جنکینز ،شبکه عصبی مصنوعی و تعدیل نمایی برای سال های آتی پرداخته شده است.نتایج تحقیق نشان داد که دقت پیش بینی مدل باکس جنکینز برای پیش بینی تعداد ازدواج و شبکه‌های عصبی برای پیش بینی تعداد طلاق بیشتر از سایر روش های پیش بینی است. مقادیر پیش بینی شده نشان داد که نسبت ازدواج به طلاق در استان ایلام بین سال های آتی 1393تا 1396 با شیب ملایم، به سمت کاهش حرکت می کند. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  11 - توسعه کابرد مدل‌های باکس جنکینز، شبکه عصبی مصنوعی و تعدیل نمایی در پیش‌بینی و مدیریت پدیده‌های اجتماعی (مطالعه موردی: پیش بینی روند ازدواج و طلاق در استان ایلام)
  محمدرضا امیدی نبی امیدی اردشیر شیری رحمت اله محمدی پور
  روش‌های پیش‌بینی و آینده پژوهی یکی از ابزارهای مهم در اختیار مدیران و کارشناسان برای اخذ تصمیمات راهبردی و صحیح است. با وجود توسعه روش های پیش بینی ، ولی کمتر به کاربرد این روش ها در پیش بینی پدیده های اجتماعی مانند ازدواج ، طلاق و رشد جمعیت پرداخته شده است.در این تحقیق أکثر

  روش‌های پیش‌بینی و آینده پژوهی یکی از ابزارهای مهم در اختیار مدیران و کارشناسان برای اخذ تصمیمات راهبردی و صحیح است. با وجود توسعه روش های پیش بینی ، ولی کمتر به کاربرد این روش ها در پیش بینی پدیده های اجتماعی مانند ازدواج ، طلاق و رشد جمعیت پرداخته شده است.در این تحقیق با استفاده از سری زمانی تعداد ازدواج و طلاق در استان ایلام بین سال های 1371 تا 1392 به پیش بینی این مقادیر با استفاده از مدل های باکس و جنکینز ،شبکه عصبی مصنوعی و تعدیل نمایی برای سال های آتی پرداخته شده است.نتایج تحقیق نشان داد که دقت پیش بینی مدل باکس جنکینز برای پیش بینی تعداد ازدواج و شبکه های عصبی برای پیش بینی تعداد طلاق بیشتر از سایر روش های پیش بینی است. مقادیر پیش بینی شده نشان داد که نسبت ازدواج به طلاق در استان ایلام بین سال های آتی 1393تا 1396 با شیب ملایم، به سمت کاهش حرکت می کند. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  12 - استفاده از شبکه های عصبی ترکیبی آموزش پذیر اصلاح شده برای پیش بینی روند قیمت سهام (مطالعه موردی : شرکت پتروشیمی خارگ)
  دکتر ابوالفضل شهرآبادی دکتر رضا ابراهیم پور حسین نیکو
  این مقاله مطالعه ای برای مقایسه توان پیش بینی روند قیمت سه ام با استفاده از شبکه های عصبی ترکیبی آموزش پذیراصلاح شده در مقابل سایر شبکه های آموزش پذیر و غیر آموزش پذیر ترکیبی است . داده های تاریخی به کار رفته در اینتحقیق از شرکت پتروشیمی خارگ، پذیرفته شده در بورس اوراق أکثر

  این مقاله مطالعه ای برای مقایسه توان پیش بینی روند قیمت سه ام با استفاده از شبکه های عصبی ترکیبی آموزش پذیراصلاح شده در مقابل سایر شبکه های آموزش پذیر و غیر آموزش پذیر ترکیبی است . داده های تاریخی به کار رفته در اینتحقیق از شرکت پتروشیمی خارگ، پذیرفته شده در بورس اوراق بهادار ایران بدست آمده اند . شرکت پتروشیمی خا رگ ازبزرگترین تولید کنندگان ایرانی محصولات پتروشیمی از جمله متانول است و به دلیل صادرات محصولات، قیمت سهام آن دربورس اوراق بهادار ایران بسیار متأثر از قیمت جهانی محصولات پتروشیمی، به ویژه متانول، می باشد . بنابراین قیمت سهام آن،نسبت به شرکت هایی که فاقد صادرات محصولات به بازار های جهانی هستند، به گونه ای شفاف تغییر می نماید. از آنجا که دربورس اوراق بهادار ایران نمونه مشابه دیگری که دارای سابقه قیمتی کافی و تعداد سهام شناور بالا باشد 1 وجود ندارد، لذاسهام پتروشیمی خارگ مناسبترین گزینه برای انجام فرآیند تحقیق تشخیص داده شد . نتایج این تحقیق نشان می دهد کهچگونه شبکه های عصبی ترکیبی آموزش پذیر اصلاح شده می تواند گوی سبقت را در قابلیت پیش بینی روند قیمت سهام ازسایر شبکه های ترکیبی آموزش پذیر و غیر آموزش پذیر برباید . این تحقیق همچنان نشان می دهد که چگونه با استفاده ازروش پیشنهادی این مقاله می توان بدون نیاز به اطلاعات تفصیلی و جامع به قابلیت پیش بینی نسبتاً دقیقی دست یافت تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  13 - Developing A Fault Diagnosis Approach Based On Artificial Neural Network And Self Organization Map For Occurred ADSL Faults
  Vahid Golmah Mina Tashakori
  Telecommunication companies have received a great deal of research attention, which have many advantages such as low cost, higher qualification, simple installation and maintenance, and high reliability. However, the using of technical maintenance approaches in Telecomm أکثر

  Telecommunication companies have received a great deal of research attention, which have many advantages such as low cost, higher qualification, simple installation and maintenance, and high reliability. However, the using of technical maintenance approaches in Telecommunication companies could improve system reliability and users' satisfaction from Asymmetric digital subscriber line (ADSL) services. In ADSL systems, there are many variables giving some noise for classification and there are many fault patterns with overlapping data. Therefore, this paper proposes a multilayer perceptron (MLP) classifier integrated with Self Organization Map (SOM) models for fault detection and diagnosis (FDD) of occurred ADSL systems. The interest of this paper is to improve the performance of single MLP by dividing the fault pattern space into a few smaller sub-spaces using SOM clustering technique and triggering the right local classifier by designing a supervisor agent. The performances of this method are evaluated on the fault data of Iranian Telecommunication Company which develop ADSL services and then the proposed algorithm is also compared against single MLP. Finally, the results obtained by this algorithm are analyzed to increase user's satisfaction with reducing occurred faults for them with predicting before they face it. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  14 - Water Quality Index Estimation Model for Aquaculture System Using Artificial Neural Network
  Taliha Folorunso Musa Aibinu Jonathan Kolo Suleiman Sadiku Abdullahi Orire
  Water Quality plays an important role in attaining a sustainable aquaculture system, its cumulative effect can make or mar the entire system. The amount of dissolved oxygen (DO) alongside other parameters such as temperature, pH, alkalinity and conductivity are often us أکثر

  Water Quality plays an important role in attaining a sustainable aquaculture system, its cumulative effect can make or mar the entire system. The amount of dissolved oxygen (DO) alongside other parameters such as temperature, pH, alkalinity and conductivity are often used to estimate the water quality index (WQI) in aquaculture. There exist different approaches for the estimation of the quality index of the water in the aquatic environment. One of such approaches is the use of the Artificial Neural Network (ANN), however, its efficacy lies in the ability to select and use optimal parameters for the network. In this work, different WQI estimation models have been developed using the ANN. These models have been developed by varying the activation function in the hidden layer of the ANN. The performance of the ANN-based estimation models was compared with that of the multilinear regression (MLR) based model. The performance comparison depicts the ANN model case 3 with a tangent activation function as the most accurate and optimal model as compared with MLR model and other ANN models based on the mean square error (MSE), root mean square error (RMSE) and regression (R) metrics. The optimal model has a goodness of fit of 0.998, thereby outweighing other developed models in its capability to estimate the WQI in the aquaculture system تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  15 - کاربرد شبکه‌های عصبی مصنوعی در تخمین مصرف انرژی فضاهای آموزشی
  مهسا فلاح نیا
  تاکنون توصیه‌های دقیقی برای مهندسان معمار جهت تعیین ابعاد مناسب پنجره با رویکرد کاهش مصرف انرژی برای فضاهای آموزشی ارائه نشده است. برای آنکه طراحان فضاهای آموزشی به دور از محاسبات هزینه‌بر و وقت‌گیرِ شبیه‌سازی انرژی قادر به تعیین سطح مناسب پنجره و یا حداقل اولویت‌بندی گ أکثر

  تاکنون توصیه‌های دقیقی برای مهندسان معمار جهت تعیین ابعاد مناسب پنجره با رویکرد کاهش مصرف انرژی برای فضاهای آموزشی ارائه نشده است. برای آنکه طراحان فضاهای آموزشی به دور از محاسبات هزینه‌بر و وقت‌گیرِ شبیه‌سازی انرژی قادر به تعیین سطح مناسب پنجره و یا حداقل اولویت‌بندی گزینه‌های ممکن نورگیری باشند، در تحقیق حاضر بر پایه هوش مصنوعی ساختاری جدید ارائه شده است که می‌تواند هزینه انرژی را در مدت بهره‌برداری از یک کلاس درس استاندارد، به عنوان مهمترین بخش فضای آموزشی، پیش‌بینی نماید. بدین منظور، 288 سناریوی نورگیری شبیه‌سازی شده و نتایج حاصله برای آموزش شبکه‌ عصبی مصنوعی، استفاده شده‌ است. آزمون‌های شبکه آموزش نشان می‌دهد که ساختار پیشنهادی به خوبی‌ می‌تواند جایگزین مدل شبیه‌ساز مصرف انرژی گردد و طراح تنها با مشخص نمودن جهت نورگیری و نسبت سطح پنجره به سطح دیوار کلاس می‌تواند هزینه مصرف گاز و الکتریسیته را در مدت بهره‌برداری با دقت بسیار خوبی پیش‌بینی نماید. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  16 - کاربرد شبکه های عصبی مصنوعی در تخمین مصرف انرژی فضاهای آموزشی
  مهسا فلاح نیا
  تاکنون توصی ههای دقیقی برای مهندسان معمار جهت تعیین ابعاد مناسب پنجره با رویکرد کاهش مصرف انرژی برای فضاهایآموزشی ارائه نشده است. برای آنکه طراحان فضاهای آموزشی ب هدوراز محاسبات هزین هبر و وق تگیرِ شبیه سازی انرژی قادر بهتعیین سطح مناسب پنجره و یا حداقل اولویت بندی گزین أکثر

  تاکنون توصی ههای دقیقی برای مهندسان معمار جهت تعیین ابعاد مناسب پنجره با رویکرد کاهش مصرف انرژی برای فضاهایآموزشی ارائه نشده است. برای آنکه طراحان فضاهای آموزشی ب هدوراز محاسبات هزین هبر و وق تگیرِ شبیه سازی انرژی قادر بهتعیین سطح مناسب پنجره و یا حداقل اولویت بندی گزین ههای ممکن نورگیری باشند، در تحقیق حاضر بر پایه هوش مصنوعیساختاری جدید ارائه شده است که م یتواند هزینه انرژی را در مدت بهر هبرداری از یک کلاس درس استاندارد، به عنوان مه مترینبخش فضای آموزشی، پی شبینی نماید. بدین منظور، 288 سناریوی نورگیری شبیه سازی شده و نتایج حاصله برای آموزش شبک هعصبی مصنوعی استفاد هشد ه است. آزمو نهای شبکه آموزش نشان م یدهد که ساختار پیشنهادی ب هخوبی م یتواند جایگزین مدلشبیه ساز مصرف انرژی گردد و طراح تنها با مشخص نمودن جهت نورگیری و نسبت سطح پنجره به سطح دیوار کلاس م یتواندهزینه مصرف گاز و الکتریسیته را در مدت بهر هبرداری با دقت بسیار خوبی پیش بینی نماید. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  17 - Performance of machine learning system to prediction of almond physical properties
  Mohsen Mokhtarian Hamid Tavakolipour Hassan Hamedi Amir Daraei Garmakhany
  The physical properties of almond kernel are necessary for the proper design of equipment for transporting, drying, processing, sorting, grading, and storage this crop. In this study, different models of ANNs with different activation functions were used to forecast sur أکثر

  The physical properties of almond kernel are necessary for the proper design of equipment for transporting, drying, processing, sorting, grading, and storage this crop. In this study, different models of ANNs with different activation functions were used to forecast surface area, volume, mass, and kernel density of almond. The results showed that multilayer perceptron network with tanh-tanh activation function as a goodness activation function can be estimated surface area, volume, mass, and kernel density with R2 value 0.983, 0.986, 0.981, and 0.982, respectively. Furthermore, the physical properties were fitted by regression relationships, the result showed linear regression method can be predicted surface area, volume, mass and kernel density with R2 value 0.979, 0.961, 0.945, and 0.791, respectively. Generally, the result showed neural network model had high ability to forecast the physical properties of almond than the linear regression method. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  18 - یک روش جدید برای رتبه بندی اعداد- Z
  ماشااله متین فر سمیه ایزدی
  در این مقاله یک روش جدید جهت رتبهبندی اعداد-Z و نیز تعمیمی از آن ارائه میشود. این روش مبتنی بر ساختار داخلی شبکه عصبی مصنوعی است که میدانیم ساختار این شبکه متشکل از ورودیها، وزنها و تابع انتقال اعم از خطی، غیر خطی و بعضاَ هم خطی و هم غیر خطی میباشد. نشان داده میشود روش أکثر

  در این مقاله یک روش جدید جهت رتبهبندی اعداد-Z و نیز تعمیمی از آن ارائه میشود. این روش مبتنی بر ساختار داخلی شبکه عصبی مصنوعی است که میدانیم ساختار این شبکه متشکل از ورودیها، وزنها و تابع انتقال اعم از خطی، غیر خطی و بعضاَ هم خطی و هم غیر خطی میباشد. نشان داده میشود روش پیشنهادی ضمن دارا بودن خواص رتبهبندی برای اعداد-Z ایی که مولفههای قسمت محدودیت آنها با هم برابر و قسمت اطمینانشان دارای مرکز ثقل یکسانی هستند رتبهبندی منطقیتری را نسبت به روشهایی که از مرکز ثقل استفاده می-کنند دارا است. این در حالی است که برخی از روشهای موجود برای اعداد-Zهایی که قسمت محدودیت آنها با هم برابر است اما قسمت اطمینانشان برابر نیست ولی دارای مرکز ثقل یکسانی هستند رتبه برابر در نظر میگیرد که این امر نمیتواند در همه موارد منطقی باشد. لذا روش پیشنهادی مشکل فوق را بر طرف میکند. طی چند مثال صحت موضوع نشان داده میشود و نتایج حاصل با برخی از روشهای موجود مقایسه میشود. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  19 - ارائه یک متدولوژی مبتنی بر نقشه های خود سازمانده و شبکه های عصبی چندلایه برای رخدادهای مشکوک به پول شویی در سطح شعب بانک ها
  حمید مهدوی کوچکسرایی محمدرضا شهریاری فریدون رهنمای رودپشتی سید عبدالله سجادی جاغرق
  10.30495/jnrm.2021.19020
  با توجه به اهمیت سیستم‌‌های بانکداری و سوء استفاده از این بستر برای مقاصد پولشویی، نیاز مبرم به پیاده سازی سیستم‌‌های ضد پولشویی از طرف دولت‌ها و موسسات سیاست گذار در امور اقتصادی مورد توجه است. همچنین با توجه به رشد تروریسم و تقلب‌‌های سازماندهی شده و از طرفی تصویب قوا أکثر

  با توجه به اهمیت سیستم‌‌های بانکداری و سوء استفاده از این بستر برای مقاصد پولشویی، نیاز مبرم به پیاده سازی سیستم‌‌های ضد پولشویی از طرف دولت‌ها و موسسات سیاست گذار در امور اقتصادی مورد توجه است. همچنین با توجه به رشد تروریسم و تقلب‌‌های سازماندهی شده و از طرفی تصویب قوانین متعدد علیه این موارد نیاز به این سیستم‌‌ها در حال افزایش است. از سوی دیگر، پیچیدگی رفتار‌های مشکوک به پولشویی به گونه‌ای است که بدون ابزاری هوشمند و داده محور نمی‌توان در کشف پولشویی اقدام قابل توجهی انجام داد. نکته مهم و شاید کاربردی در ایران نزدیکی این سیستم‌‌ها با سیستم‌‌های ضد رشوه خواری، تقلب، تخلف و سیستم‌‌های بازرسی است که می‌تواند به عنوان ابزاری کارآمد برای واحد بازرسی بانک تلقی گردد. در این مقاله رویکردی مبتنی بر آنالیز و پردازش داده‌ها پیشنهاد می‌شود. در این رویکرد با استفاده از نقشه‌های خودسازمانده شعب بانک بر اساس رفتارهای مشابه خوشه بندی می شوند سپس با استفاده از یک شاخص خطی فرایند برچسب-گذاری شعب صورت می‌گیرد. در مرحله بعد با استفاده از آموزش یک شبکه عصبی چند لایه، الگویی جهت شناسایی شعب بانک که در آنها فرایند های مشکوک پولشویی صورت می‌گیرد معرفی می شود. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  20 - یک شبکه عصبی بازگشتی تک لایه کارا برای حل دسته‌ای از مسائل بهینه‌سازی محدب ناهموار
  محمد جواد عبادی علی‌رضا حسینی حسین جعفری
  مسائل بهینه‌سازی مقید دارای کاربردهای وسیعی در علوم، مهندسی و اقتصاد می‌باشند. در این مقاله یک مدل شبکه عصبی برای حل دسته‌ای از مسائل بهینه‌سازی مقید ناهموار با تابع هدف محدب ناهموار و قیود نامساوی‌های غیرخطی و خطی آفین پیشنهاد شده است. آن یک شبکه عصبی بازگشتی تک لایه غ أکثر

  مسائل بهینه‌سازی مقید دارای کاربردهای وسیعی در علوم، مهندسی و اقتصاد می‌باشند. در این مقاله یک مدل شبکه عصبی برای حل دسته‌ای از مسائل بهینه‌سازی مقید ناهموار با تابع هدف محدب ناهموار و قیود نامساوی‌های غیرخطی و خطی آفین پیشنهاد شده است. آن یک شبکه عصبی بازگشتی تک لایه غیر جریمه‌ای مبتنی بر شمول دیفرانسیلی است. برخلاف اکثر مدل‌های شبکه‌ عصبی موجود برای حل مسائل بهینه‌سازی، در ساختار مدل پیشنهادی هیچ پارامتر جریمه‌ای یا تابع جریمه وجود نداشته و مدل از پیچیدگی کمتری برخوردار است که منجر به پیاده‌سازی آسان‌تر مدل پیشنهادی می‌شود. معادل بودن مجموعه جواب‌های بهینه مسأله بهینه‌سازی اصلی و مجموعه نقاط تعادلی مدل شبکه عصبی پیشنهادی اثبات گردیده است. به‌علاوه همگرایی سراسری و پایداری شبکه عصبی پیشنهادی نشان داده شده‌اند. به منظور روشن ساختن کارایی و اثربخشی مدل ارائه شده تعدادی مثال شامل مسأله مینیمم‌سازی نرم L1 ارائه و حل شده‌است. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  21 - حل معادلات انتگرال ولترای تصادفی به روش شبکه عصبی مصنوعی فازی
  هادی ابطحی حمیدرضا رحیمی مریم مصلح
  معادلات انتگرال ولترا به عنوان خروجی مسائل مطرح شده در علوم پایه و مهندسی کاربر ویژه در پیشبرد حل مسائل پیچیده دارند. یکی از انواع پرکاربرد که متشکل از یک فرایند تصادفی تحت حرکت برونی ایجاد می‌شود، معادلات انتگرال ولترا تصادفی است. حل این نوع از معادلات همواره از چالش‌ه أکثر

  معادلات انتگرال ولترا به عنوان خروجی مسائل مطرح شده در علوم پایه و مهندسی کاربر ویژه در پیشبرد حل مسائل پیچیده دارند. یکی از انواع پرکاربرد که متشکل از یک فرایند تصادفی تحت حرکت برونی ایجاد می‌شود، معادلات انتگرال ولترا تصادفی است. حل این نوع از معادلات همواره از چالش‌های محقیقن بوده است. از سوی دیگر با توسعه هوش مصنوعی و ارائه روش شبکه عصبی مصنوعی فازی به عنوان یک مدل الهام گرفته از فرایند تفکر و تجزیه و تحلیل در مغز انسان، مدل‌های پیشرفته ای از الگوریتم‌های طراحی شده است. برخی از این این الگوریتم‌های یادگیری در شبکه عصبی مصنوعی فازی در حل معادلات اسفاده شده است . در این مقاله با استفاده از این روش و طراحی یک الگوریتم یادگیری به حل معادلات انتگرال از نوع ولترای تصادفی می‌پردازیم. روش ارائه شده در این مقاله علاوه بر داشتن دقت بالاتر نسبت به روش‌های پیشین، سرعت بیشتری در حل مسئله را دارا است. این موضوع سبب ایجاد یک سطح اطمینان قابل قبول برای محققان در زمان برخورد با این نوع مسائل می‌شود. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  22 - مدل سازی کیفیت تصفیه آب و فاضلاب با استفاده از شبکه های عصبی و شبکه های عصبی ترکیبی
  احمد جعفریان فاطمه قنبری سید رحیم صانعی فرد
  یکی از مهمترین و بنیادی‌ترین عامل حیات موجودات زنده آب است، لذا آلودگی آب ها، یک معضل بزرگ زیست محیطی محسوب می شود و جلوگیری از آلودگی آب ها و ارائه روش های هوشمند برای تصفیه آب ها بسیار مهم و مورد توجه است. تجهیز علوم مهندسی به ابزارهای هوشمند و هوش مصنوعی در تشخیص کیف أکثر

  یکی از مهمترین و بنیادی‌ترین عامل حیات موجودات زنده آب است، لذا آلودگی آب ها، یک معضل بزرگ زیست محیطی محسوب می شود و جلوگیری از آلودگی آب ها و ارائه روش های هوشمند برای تصفیه آب ها بسیار مهم و مورد توجه است. تجهیز علوم مهندسی به ابزارهای هوشمند و هوش مصنوعی در تشخیص کیفیت تصفیه فاضلاب ها می تواند اشتباهات افراد خبره و خسارت های مالی ناشی از آن را کاهش دهد. تا کنون از روش های مختلفی برای تصفیه پساب های صنعتی استفاده شده است. اما با توجه به وقت گیر بودن و هزینه بالای این روش ها، استفاده از روش های کم هزینه و دقیق همواره مورد نیاز می باشد. دراین مقاله یک روش هوشمند ساده و ترکیبی بر پایه شبکه عصبی مصنوعی و روش آماری رگرسیون لجستیک ، جهت مدلسازی پیش بینی کیفیت خروجی سیستم های تصفیه فاضلاب ارائه می شود. سیستم هوشمند ارائه شده نقش مهمی در بررسی کیفیت تصفیه فاضلاب ها داشته و برای محققان هوش مصنوعی و مهندسین محیط زیست قابل استفاده می باشد.مقایسه نتایج پیش بینی شده توسط مدل شبکه عصبی ساده و مدل ترکیبی طراحی شده با پایه شبکه عصبی و رگرسیون لجستیک، نشان داد که روش پیشنهادی در این تحقیق یک روش ارزشمند برای پیش بینی کیفیت خروجی حاصل از تصفیه فاضلاب ها با بیشترین بازده وکمترین خطا می باشد. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  23 - یک شبکه عصبی بازگشتی برای تشخیص واحدهای تصمیم گیرنده کارا در تحلیل پوششی داده ها
  عباس قماشی غلامرضا جهانشاهلو فرهاد حسین زاده لطفی
  در این مقاله ما یک مدل شبکه عصبی برای تشخیص واحدهای تصمیم­گیرنده کارا در تحلیل پوششی داده­ها معرفی می­کنیم. مدل شبکه عصبی پیشنهادی از یک مسئله بهینه­سازی نامقید حاصل می­شود. از دیدگاه تئوری نشان داده می­شود شبکه عصبی پیشنهادی دارای پایداری لیاپان أکثر

  در این مقاله ما یک مدل شبکه عصبی برای تشخیص واحدهای تصمیم­گیرنده کارا در تحلیل پوششی داده­ها معرفی می­کنیم. مدل شبکه عصبی پیشنهادی از یک مسئله بهینه­سازی نامقید حاصل می­شود. از دیدگاه تئوری نشان داده می­شود شبکه عصبی پیشنهادی دارای پایداری لیاپانف و همگرای سراسری می­باشد. مدل پیشنهادی تک لایه  می­باشد. شبیه­سازی نشان می­دهد مدل پیشنهادی قادر به تشخیص واحدهای کارا در تحلیل پوششی داده­ها می­باشد.   تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  24 - استفاده از شبکه عصبی جهت تعیین انقباض ورودی، انبساط خروجی و کارائی واحدهای تصمیم گیرنده در مدل راسل
  دلال مدحج مسعود صانعی نقی شجاع
  در تحلیل پوششی داده­ها به منظور بدست آوردن کارائی با مشخصه­های متفاوت از دو روش اساسی استفاده می­شود. این دو روش عبارتند از مدل­های شعاعی و مدل­های غیر شعاعی. در این مقاله مدل غیر شعاعی راسل که یک مدل غیر خطی است، مورد بررسی قرار می­گیرد. تحلیل پ أکثر

  در تحلیل پوششی داده­ها به منظور بدست آوردن کارائی با مشخصه­های متفاوت از دو روش اساسی استفاده می­شود. این دو روش عبارتند از مدل­های شعاعی و مدل­های غیر شعاعی. در این مقاله مدل غیر شعاعی راسل که یک مدل غیر خطی است، مورد بررسی قرار می­گیرد. تحلیل پوششی داده­ها برای مجموعه­های بزرگ با تعداد ورودی­ها و خروجی­های زیاد، نیاز به منابع عظیم کامپیوتری از لحاظ زمان پردازش و استفاده از حافظه می­باشد. شبکه­های عصبی یکی از روش­های رایج برای مدل­های غیر خطی جهت بدست آوردن کارائی مجموعه­های بزرگ با ورودی و خروجی­های زیاد است. در دهه گذشته نیز محققین بر ارزیابی کارائی با استفاده از تحلیل پوششی داده­ها و شبکه عصبی تاکید کرده­اند. در این مقاله میزان انقباض ورودی، انبساط خروجی و کارائی واحدهای تصمیم گیرنده در مدل راسل با استفاده از شبکه عصبی بدست می­آیند. روش ارائه شده برای مجموعه­ای از بانک­های ایران بکار می­رود و نتایج رضایت بخشی بدست می­آیند تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  25 - آرایه روش مبتنی بر گرادیان مزدوج برای آموزش شبکه عصبی تصمیم
  محدثه نادرشاهی اعظم دخت صفی صمغ آبادی رضا توکلی مقدم
  شبکه عصبی تصمیم یک رویکرد جدید برای حل مسائل تصمیم­گیری چندهدفه مبتنی بر شبکه‌های عصبی مصنوعی می‌باشد. با بکارگیری روش‌های ارزیابی غیردقیق، ظرفیت یادگیری در این شبکه افزایش یافته و حجم مجموعه داده آموزشی کاهش یافته است. لذا شرایط برای تصمیم‌گیرندگان تسهیل شده است. ر أکثر

  شبکه عصبی تصمیم یک رویکرد جدید برای حل مسائل تصمیم­گیری چندهدفه مبتنی بر شبکه‌های عصبی مصنوعی می‌باشد. با بکارگیری روش‌های ارزیابی غیردقیق، ظرفیت یادگیری در این شبکه افزایش یافته و حجم مجموعه داده آموزشی کاهش یافته است. لذا شرایط برای تصمیم‌گیرندگان تسهیل شده است. روش موجود برای آموزش پارامترهای این شبکه مبتنی بر روش گرادیان است. یکی از محدودیت‌های روش فعلی، سرعت همگرایی آن است. در این مقاله، جهت افزایش کارآیی شبکه‌عصبی تصمیم، روشی مبتنی برگرادیان مزدوج برای آموزش این شبکه توسعه داده شده‌است. نکته ویژه در آموزش شبکه عصبی تصمیم این است که ساختار و پارامترهای دو زیر شبکه پرسپترون چند لایه موجود در شبکه عصبی تصمیم در فرآیند آموزش یکسان باقی بماند. کارایی روش پیشنهادی در حل مسئله تصمیم­گیری چند هدفه با توابع مطلوبیت متعدد خطی و غیرخطی ارزیابی می­شود. نتایج روش پیشنهادی با برخی روش­های مشابه مقایسه شده و نشان می‌دهد که در روش پیشنهادی، همگرایی نسبت به روش­ قبلی سریع­تر بوده و نتایج مطلوب‌تر هستند. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  26 - طراحی و ارائه مدلی جهت تعیین اثر متغیرهای کلان اقتصادی و بانکی بر بروز انجماد دارایی در سیستم بانکی کشور
  فاطمه داودی فرکوش محمد ابراهیم محمدپور زرندی مهرزاد مینویی
  در این مقاله هدف، طراحی و ارائه مدلی جهت تعیین اثر متغیرهای کلان اقتصادی و بانکی بر بروز انجماد دارایی در سیستم بانکی کشور با استفاده از مدل‎های فرا ابتکاری، است. تحقیق حاضر به لحاظ هدف، کاربردی، به لحاظ روش تحقیق، از نوع تحلیل همبستگی و به لحاظ طرح کلی تحقیق، پس رویدا أکثر

  در این مقاله هدف، طراحی و ارائه مدلی جهت تعیین اثر متغیرهای کلان اقتصادی و بانکی بر بروز انجماد دارایی در سیستم بانکی کشور با استفاده از مدل‎های فرا ابتکاری، است. تحقیق حاضر به لحاظ هدف، کاربردی، به لحاظ روش تحقیق، از نوع تحلیل همبستگی و به لحاظ طرح کلی تحقیق، پس رویدادی و گذشته‌نگر است. به‌منظور پاسخ به سؤال‌های تحقیق، داده¬های سالانه متغیرهای اقتصادی کلان و نیز بانکی، طی دوره 1399-1390، گردآوری و با استفاده از آزمون مدل¬های رگرسیون در نرم‌افزارهای EViews و Smart PLS و همچنین مدل شبکه عصبی در نرم¬افزار SPSS Modeler، تخمین زده‌شده. نتایج برآورد مدل رگرسیون فرضیه اول در نرم¬افزار EViews، نشان داد متغیرهای اقتصادی تولید ناخالص داخلی، نرخ بیکاری و نرخ بهره، شاخص قیمت مصرف‌کننده، قدرت ارز در سطح خطای یک درصد و متغیر نرخ رشد اقتصادی در سطح خطای ده درصد رابطه معنی¬داری با متغیر وابسته (انجماد دارایی) دارند. همچنین، نتایج برآورد مدل ساختاری فرضیه اول در نرم¬افزار PLS، به لحاظ معنی¬داری با خروجی نرم¬افزار ایویوز، همسو است. بنابراین؛ فرضیه اول تحقیق تائید می¬شود. همچنین نتایج برآورد مدل رگرسیون فرضیه دوم در نرم¬افزار EViews، نشان داد متغیر درون بانکی نسبت اندازه بانک، بازده حقوق صاحبان سهام و نیز میزان نقدینگی در سطح خطای ده درصد و متغیرهای کفایت سرمایه، بازده دارایی‌ها، سرمایه بانک، در سطح خطای یک درصد رابطه معنی¬داری با متغیر وابسته (انجماد دارایی) دارند.همچنین، نتایج برآورد مدل ساختاری فرضیه دوم در نرم¬افزار PLS، به لحاظ معنی¬داری با خروجی نرم¬افزار ایویوز، همسو است. بنابراین؛ فرضیه دوم تحقیق نیز تائید می¬شود. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  27 - پیش بینی نرخ ارز در بازار سرمایه با استفاده از مدل های میانگین متحرک خود رگرسیون انباشته و شبکه عصبی )مطالعه موردی: دلار استرالیا، دلار کانادا، ین ژاپن و پوند انگلستان(
  محمد احسانی فر رضا احتشام راثی
  سیاست گذاران پولی به منظور جلوگیری از زیان های ناشی از تغییرات از هم گسیخته نرخ ارز، همواره درصددیافتن روشی مناسب برای پیش بینی نرخ ارز بوده اند. لیکن ویژگیهای چند بعدی نرخ ارز باعث رفتار پیچیده وغیرخطی آن شده است. یکی از روش های سنتی پی بینی، تجزیه و تحلیل سری زمانی اس أکثر

  سیاست گذاران پولی به منظور جلوگیری از زیان های ناشی از تغییرات از هم گسیخته نرخ ارز، همواره درصددیافتن روشی مناسب برای پیش بینی نرخ ارز بوده اند. لیکن ویژگیهای چند بعدی نرخ ارز باعث رفتار پیچیده وغیرخطی آن شده است. یکی از روش های سنتی پی بینی، تجزیه و تحلیل سری زمانی است که بر دو فرض ایستاییو خطی بودن بنیان نهاده شده است. در مورد عملکرد این مدل های سنتی بعضاٌ تردیدهای ایجاد شده است. یکی ازروش های جایگزین، شبکه های عصبی مصنوعی است که در برخی از موارد توانایی بالقوه خوبی برای پیش بینیسریهای زمانی از خود نشان دادهاند. در این مقاله، پس از مرور پژوهش های انجام شده در مورد توانایی پیش بینیمدل های خود توضیح جمعی میانگین متحرک 1 و شبکه های عصبی مصنوعی 2 ، به مقایسهی این دو روش برای پیشبینی نرخ روزانه ارز در 2112 پرداخته شده است. نتایج /1/ 1991 لغایت 1 /1/ دوره ی از سال 1 تحقیق نشان دادهاست که روش شبکه های عصبی تخمینهای بهتری نسبت به روش میانگین متحرک خود رگرسیون انباشته ارائهمیکند . در این پژوهش، از ابزارهای محاسباتی نرم افزار STATGRAPHICSو MATLABو دادههای اقتصادیکشورهای استرالیا، کانادا، ژاپن و انگلستان و نرخ ارز 3 آن کشورها نسبت به دلار آمریکا استفاده شده است. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  28 - سنجش دستکاری قیمت ها با استفاده از مدل های تحلیل ممیزی درجه دوم و الگوریتم ژنتیک بر مبنای شبکه عصبی مصنوعی
  محمدحسین پوست فروش علیرضا ناصر صدرآبادی محمود معین الدین
  در این مقاله از مدل تحلیل ممیزی درجه دوم ) QDF ) 1 و مدل هیبریدی الگوریتم ژنتیک بر مبنای شبکهعصبی مصنوعی ) ANN-GA ) 2 برای تخمین دستکاری قیمت سهام در بورس اوراق بهادار تهران استفاده شدهاست. در این تحقیق، ابتدا با استفاده از روش غربالگری، نمونه ای به حجم 543 شرکت پذیرفته أکثر

  در این مقاله از مدل تحلیل ممیزی درجه دوم ) QDF ) 1 و مدل هیبریدی الگوریتم ژنتیک بر مبنای شبکهعصبی مصنوعی ) ANN-GA ) 2 برای تخمین دستکاری قیمت سهام در بورس اوراق بهادار تهران استفاده شدهاست. در این تحقیق، ابتدا با استفاده از روش غربالگری، نمونه ای به حجم 543 شرکت پذیرفته شده در بورساوراق بهادار تهران انتخاب و اطلاعات مربوط به شاخص های قیمت و بازده نقدی ) TEDPIX (، قیمت پایانی،نوسان قیمت پایانی و حجم معاملات در بازه زمانی سال های 1531 تا 1531 گردآوری گردید. سپس بابه کارگیری آزمون وابستگی دیرش و آزمون سلسله و با استفاده از متغیر قیمت و بازده نقدی، شرکت های منتخببه دو دسته دستکاری قیمت شده و دستکاری قیمت نشده تقسیم شدند. سپس با بررسی نمودار روند تغییراتشاخص قیمت و بازده نقدی و حجم معاملات در مورد شرکت های دستکاری قیمت شده، تاریخ شروع دستکاریقیمت تعیین گردید. در گام بعدی، با استفاده از تابع تحلیل ممیزی درجه دوم ) QDF ( و همچنین الگوریتم ژنتیکبر مبنای شبکه عصبی مصنوعی و با استفاده از متغیرهای قیمت پایانی، نوسان قیمت پایانی و حجم معاملات و بابه کارگیری اطلاعات یک سال قبل از شروع دستکاری قیمت سهام برای شرکت های دستکاری قیمت شده واطلاعات چهار ساله برای شرکت های دستکاری قیمت نشده، مدل هایی برای پیش بینی دستکاری قیمت سهامطراحی گردید. در پایان توانایی پیش بینی مدل ها مورد بررسی قرار گرفت. با توجه به نتایج بدست آمده، تواناییپیش بینی مدل تحلیل ممیزی درجه دوم نسبت به مدل الگوریتم ژنتیک بر مبنای شبکه عصبی مصنوعی بهترمی باشد. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  29 - پیش بینی قیمت سکه طلا در بورس کالای ایران با رویکرد شبکه عصبی GMDH
  عباس معمار نژاد وحید فرمان آرا
  اقتصاد هر کشور از بخش های مختلفی تشکیل شده که روابط بین این بخش ها، سمت و سوی اقتصاد آن کشور را مشخص می کند. در این بین بازار سرمایه در کنار بازار پول، به عنوان اجزائ تشکیل دهنده بازارهای مالی بوده و در واقع شریان های اصلی یک اقتصاد محسوب می گردند، که مسائلی نظیر رشد و أکثر

  اقتصاد هر کشور از بخش های مختلفی تشکیل شده که روابط بین این بخش ها، سمت و سوی اقتصاد آن کشور را مشخص می کند. در این بین بازار سرمایه در کنار بازار پول، به عنوان اجزائ تشکیل دهنده بازارهای مالی بوده و در واقع شریان های اصلی یک اقتصاد محسوب می گردند، که مسائلی نظیر رشد و توسعه اقتصادی منوط به عملکرد آنها در اقتصاد می باشد و چنانچه رابطه منطقی بین بازار مالی با سایر بخشهای اقتصادی وجود نداشته باشد، احتمال بروز اختلالات و نقصان هایی در سازوکار اقتصاد وجود دارد. بازار بورس به عنوان رکن اصلی بازار مالی نقش مهمی را در تسهیل سرمایه گذاری های شکل گرفته در بازار سرمایه ایفا می کند. هدف اصلی این مطالعه همان گونه که عنوان این تحقیق نیز مبین آن است، پیش بینی قیمت سکه طلا می باشد. لذا ضمن مرور اجمالی بر شناخته‌شده‌ترین تئوری‌های اقتصادی، به ارائه روش جدیدتری نسبت به سایر روش‌های متداول پیش بینی در گذشته پرداخته و با استفاده از مدل شبکه عصبی GMDH، اثر متغیرهای کلان اقتصادی (شامل نرخ ارز دلار، قیمت سکه، قیمت طلا به دلار، قیمت نفت به دلار، شاخص قیمت کل سهام، تاریخ روز تحویل سکه) بر قیمت آتی سکه را الگوسازی و پیش‌بینی می‌کنیم. الگوریتم GMDH قابلیت استفاده در موضوعات متنوعی چون کشف روابط، پیش‌بینی، مدل‌سازی سیستم‌ها، بهینه‌سازی وشناخت الگوهای غیرخطی را دارا می‌باشد. ویژگی خاص این الگوریتم استنتاجی، قابلیت شناسایی و غربال‌کردن متغیرهای کم‌اثر ورودی در دوره آموزش شبکه و حذف آنها از روند شبیه‌سازی در دوره آزمون می‌باشد. بدین ترتیب می‌توان با انجام یک فرآیند قیاسی، در چند مرحله تکرار، متغیرهای کم‌اثرتر را حذف نمود و نهایتاً مدل بهینه برای پیش‌بینی را بر اساس معیارهای متداول خطا نظیر RMSE و MAPE و... بدست آورد. بعلاوه، این الگوریتم قادر به شناسایی و رتبه‌بندی تأثیرگذارترین متغیرها نیز می‌باشد. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  30 - Forecasting Stock Market Using Wavelet Transforms and Neural Networks: An integrated system based on Fuzzy Genetic algorithm (Case study of price index of Tehran Stock Exchange)
  Ali Anvary Rostamy Nor Mousazadeh Abbasi Mohammad Ali Aghaei Mahdi Moradzadeh Fard
  The jamor purpose of the present research is to predict the total stock market index of Tehran Stock Exchange, using a combined method of Wavelet transforms, Fuzzy genetics, and neural network in order to predict the active participations of finance market as well as ma أکثر

  The jamor purpose of the present research is to predict the total stock market index of Tehran Stock Exchange, using a combined method of Wavelet transforms, Fuzzy genetics, and neural network in order to predict the active participations of finance market as well as macro decision makers.To do so, first the prediction was made by neural network, then a series of price index was decomposed by wavelet transform and the prediction made by neural network was repeated, finally, the extracted pattern from the neural network was stated through discernible rules using Fuzzy theory. The main focus of this paper is based on a theory in which investors and traders achieve a method for predicting stock market. Concerning the results of previous researches, which confirmed the relative superiority of non-linear models in price index prediction, an appropriate model has been offered in this research by combining the non-linear methods such as Wavelet transforms, Fuzzy genetics, and neural network, The results indicated the superiority of the designed system in predicting price index of Tehran Stock Exchange. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  31 - مدل‌سازی ارزیابی مشتریان از کیفیت خدمات درمانی با استفاده از شبکه عصبی مصنوعی (مطالعه موردی بیمارستان‌های دانشگاه علوم پزشکی بیرجند)
  زهرا هاشمی مرضیه فریدی ماسوله
  مقدمه: کیفیت خدمات همواره یکی از مهم‌ترین دغدغه‌های مدیران در تامین رضایت مشتریان است. تامین خدمات با کیفیت نیازمند شناخت دقیق نسبت به عوامل کلیدی کیفیت خدمت و نوع اثربخشی آنها در میزان رضایت مشتریان است. لذا بکارگیری روش‌های مختلف سنجش کیفیت خدمات می‌تواند جنبه‌های مجه أکثر

  مقدمه: کیفیت خدمات همواره یکی از مهم‌ترین دغدغه‌های مدیران در تامین رضایت مشتریان است. تامین خدمات با کیفیت نیازمند شناخت دقیق نسبت به عوامل کلیدی کیفیت خدمت و نوع اثربخشی آنها در میزان رضایت مشتریان است. لذا بکارگیری روش‌های مختلف سنجش کیفیت خدمات می‌تواند جنبه‌های مجهول اثربخشی این عامل را بر رضایت مشتریان شفاف‌تر سازد. از اینرو هدف از انجام این تحقیق ارزیابی روش‌های سنجش کیفیت خدمات درمانی با استفاده از شبکه‌های عصبی مصنوعی بوده است. روش‌پژوهش: این تحقیق به روش توصیفی - همبستگی انجام شده و از نوع تحقیقات کاربردی است. جامعه آماری تحقیق را کلیه مشتریان بیمارستان‌های دانشگاه علوم پزشکی بیرجند تشکیل می‌دهند که تعداد آنها معین نبوده است. با استناد به رابطه نمونه‌گیری کوکران تعداد 385 نفر از آنها به شیوه در دسترس انتخاب شده و پرسشنامه‌های اعتبارسنجی شده تحقیق میان آنان توزیع گردید. به منظور سنجش کیفیت خدمات از 4 روش سروکوآل وزنی و غیر وزنی و سروپرف وزنی و غیروزنی استفاده شد و تاثیر ابعاد کیفیت خدمات در هریک از این 4 روش بر روی رضایت مشتریان مورد ارزیابی قرار گرفت. در این تحقیق برای تجزیه و تحلیل داده‌ها ازنرم‌افزار spss استفاده شده است و نتایج جهار روش سنجش کیفیت خدمات با استفاده از شبکه‌های عصبی مصنوعی مورد بررسی قرار گرفته است. یافته‌ها: نتایج نشان داد که از بین روش‌های سنجش کیفیت خدمات کمترین سطح خطا برای مدل سروکوال وزنی عدد 0.18 بدست آمده که سنجش کیفیت خدمات بر حسب مدل سروکوال وزنی با استفاده از شبکه‌های عصبی مصنوعی دقت بالاتری در پیش‌بینی رضایت مشتریان داشته است. نتیجه‌گیری: روش‌های سنجش کیفیت خدمات تحت تاثیر مقیاس سنجش کیفیت خدمات، عملکرد متفاوتی در پیش‌بینی رضایت مشتریان دارند. هم‌چنین روش‌های شبکه عصبی مصنوعی نسبت به الگوریتم بکارگرفته شده در پیش‌بینی، ممکن است پیش‌بینی‌هایی ضعیف‌تر از نتایج روش‌های آمار کلاسیک ارائه دهند. مقدمه: کیفیت خدمات همواره یکی از مهمترین دغدغه های مدیران در تامین رضایت مشتریان است. لذا بکارگیری روش های مختلف سنجش کیفیت خدمات می تواند جنبه های مجهول اثربخشی این عامل را بر رضایت مشتریان شفاف تر سازد.روش پژوهش: این تحقیق به روش توصیفی-همبستگی انجام شده وتحقیق کاربردی است. جامعه آماری کلیه مشتریان بیمارستانهای دانشگاه علوم پزشکی بیرجند بودند که تعداد آنها معین نبوده است. با استناد به رابطه نمونه گیری کوکران تعداد 385 نفر از آنها به شیوه در دسترس انتخاب شده و پرسشنامه های اعتبارسنجی میان آنان توزیع گردید. به منظور سنجش کیفیت خدمات از 4 روش سروکوآل وزنی وغیر وزنی و سروپرف وزنی و غیروزنی استفاده شد و تاثیر ابعاد کیفیت خدمات در هریک از این 4 روش بر روی رضایت مشتریان مورد ارزیابی قرار گرفت. داده های تحقیق با استفاده از شبکه های عصبی مصنوعی چندلایه تحلیل شد. یافته ها: نتایج نشان داد که از بین روش های سنجش کیفیت خدمات کمترین سطح خطا برای مدل سروکوال وزنی عدد0.18 بدست آمده که سنجش کیفیت خدمات بر حسب مدل سروکوال وزنی با استفاده از شبکه های عصبی مصنوعی دقت بالاتری در پیش بینی رضایت مشتریان داشته است.نتیجه گیری: روش های سنجش کیفیت خدمات تحت تاثیر مقیاس سنجش کیفیت خدمات، عملکرد متفاوتی در پیش بینی رضایت مشتریان دارند. همچنین روش های شبکه عصبی مصنوعی نسبت به الگوریتم بکارگرفته شده در پیش بینی، ممکن است پیش بینی هایی ضعیف تر از نتایج روش های آمار کلاسیک ارائه دهند تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  32 - داده کاوی الگوی نامشهود تراکنش‌های رفتارهای اطلاع‌یابی و اطلاع درمانی متخصصان بیماری‌های نقص ایمنی
  صدیقه محمداسماعیل شیبا کیانمهر
  مقدمه: پژوهش حاضر با هدف تحلیل رفتار اطلاع درمانی ایمونولوژیست‌های کشور، بر مبنای مدل شبکه عصبی خودسازمان‌ده کوهونن انجام شده است. روش پژوهش: پژوهش کاربردی، به روش پیمایشی توصیفی و با استفاده از تکنیک شبکه عصبی انجام شده است. ابزار پرسش‌نامه‌ای است محقق‌ساخته که بین ۱۴۹ أکثر

  مقدمه: پژوهش حاضر با هدف تحلیل رفتار اطلاع درمانی ایمونولوژیست‌های کشور، بر مبنای مدل شبکه عصبی خودسازمان‌ده کوهونن انجام شده است. روش پژوهش: پژوهش کاربردی، به روش پیمایشی توصیفی و با استفاده از تکنیک شبکه عصبی انجام شده است. ابزار پرسش‌نامه‌ای است محقق‌ساخته که بین ۱۴۹ نفر توزیع شد. به منظور خوشه‌بندی با استفاده از نرم‌افزارMATLAB ‌متخصصان بر اساس مؤلفه‌های اصلی پژوهش خوشه‌بندی و سپس با حذف هر یک از زیرمؤلفه‌های اصلی، مؤثرترین و کم‌اثرترین گزینه تعیین گردید. یافته‌ها: تحلیل ها نشان داد در مهارت‌های اطلاع‌یابی؛ 63/75 درصد از افراد جامعه در خوشه اول با میانگین 29/88 و در خوشه دوم 36/24 درصد با میانگین نمرات‌ 30/22، قرار دارند و مهم ترین مولفه استفاده از کلیدواژه‌ها و اصطلاحات مرتبط با اطلاعات مورد نیاز است. در مورد راه‌های اطلاع‌یابی؛ 22/14 درصد جامعه با میانگین نمرات 54/36 در خوشه اول، 18/12 درصد افراد با میانگین 48/11 در خوشه دوم، 14/09 درصد با میانگین 43/28 در خوشه سوم، 16/1 درصد با میانگین 49/04 در خوشه چهارم و 29/53 درصد افراد با میانگین نمرات 53/72 در خوشه پنجم قرار داشته، و مهم‌ترین راه‌های اطلاع یابی، استفاده از منابع اطلاعات الکترونیک بوده است. بر مبنای میزان استفاده از انواع خدمات اطلاعاتی؛46 درصد افراد با میانگین نمرات 54/85 در خوشه اول، 20/66 درصد با میانگین 49/38 در خوشه دوم و 32/66 درصد با میانگین 43/08 در خوشه سوم قرار داشته و مهم ترین مولفه خدمات اطلاع درمانی، آشنایی با انواع منابع و خدمات اطلاعاتی رشته تخصصی بوده است نتیجه‌گیری: خوشه‌بندی عصبی رفتارهای اطلاع درمانی جامعه مورد مطالعه و تراکنش های اطلاعاتی حاصل از آن، علاوه بر منتج شدن به آگاهی از نیازها و منابع اطلاعاتی مورد نیاز کاربران، به عنوان روشی در دسترس و کم هزینه که ارتقای سطح کیفیت اطلاعات متخصصین سیستم نقص ایمنی را در پی دارد و به ارایه خدمات درمانی موثرتر به بیماران منتهی می‌گردد، زمینه لازم جهت پیش بینی تمهیدات و تصمیم‌گیری‌های اطلاعات‌گرا را جهت تامین نیازها و محمل های اطلاعاتی مورد درخواست کاربران پایگاه های داده‌های پزشکی فراهم و در اختیار مدیران و دست‌اندرکاران این حوزه قرار می دهد، و به عنوان راهبردی موثر با حداکثر سطح استانداردهای ممکن، به کشف الگوی نامشهود رفتار های اطلاع‌یابی کاربران حوزه سلامت منتهی، و به فرد مخاطب می‌آموزد تا هوشمندانه از محمل‌های اطلاعاتی بهره گیرد. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  33 - Artificial Neural Network Model for Predicting Insurance Insolvency
  Ade Ibiwoye Olawale Ajibola Ashim Sogunro
  In addition to its primary role of providing financial protection for other industries the insurance industry also serves as a medium for fund mobilization. In spite of the harsh economic environment in Nigeria, the insurance industry has been crucial to the consummatio أکثر

  In addition to its primary role of providing financial protection for other industries the insurance industry also serves as a medium for fund mobilization. In spite of the harsh economic environment in Nigeria, the insurance industry has been crucial to the consummation of business plans and wealth creation. However, the continued downturn experienced by many countries, in the last decade, seems to have impacted negatively on the financial health of the industry, thereby rendering many insurance companies inherently distressed. Although there is a regulator to monitor the insurance companies in order to prevent insolvency and protect the right of consumers this oversight function has been made difficult because the regulators appeared to lack the necessary tools that would adequately equip them to perform their oversight functions. One such critical tool is a decision making model that provides early warning signal of distressed firms. This paper constructs an insolvency prediction model based on artificial neural network approach which could be used to evaluate the financial capability of insurance companies. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  34 - بخش‌بندی و تعیین نیمرخ مشتریان خودروهای پلاک اروند با استفاده از الگوریتم شبکه عصبی مدل نقشه‌های خودسازمانده
  نازنین عباسی مریم درویشی
  10.30495/jomm.2022.64920.1896
  پیدایش بازار واردات خودرو در منطقه‌ی آزاد اروند در استان خوزستان، سهم بسزایی از خرید خودرو در این استان پهناور را به خود اختصاص داده است. پژوهش حاضر با هدف بخش‌بندی و تعیین نیمرخ مشتریان خودروهای پلاک اروند با استفاده از الگوریتم شبکه مصنوعی مدل نقشه‌های خودسازمانده صور أکثر

  پیدایش بازار واردات خودرو در منطقه‌ی آزاد اروند در استان خوزستان، سهم بسزایی از خرید خودرو در این استان پهناور را به خود اختصاص داده است. پژوهش حاضر با هدف بخش‌بندی و تعیین نیمرخ مشتریان خودروهای پلاک اروند با استفاده از الگوریتم شبکه مصنوعی مدل نقشه‌های خودسازمانده صورت گرفته است. برای شناسایی نیمرخ مشتریان، بالغ‌ بر 70 هزار نفر از دارندگان خودروهای پلاک اروند در سطح استان خوزستان جامعه آماری این پژوهش را تشکیل داده است. با استفاده از جدول مورگان 384 نفر به روش نمونه‌گیری تصادفی به عنوان نمونه انتخاب و جهت گردآوری اطلاعات از پرسش‌نامه استفاده گردید. تحقیق در گروه روش‌های کمی بوده که با توجه به هدف، کاربردی و ازلحاظ ماهیت، اکتشافی - پیمایشی و به لحاظ زمانی نیز مقطعی می‌باشد. تجزیه و تحلیل اطلاعات به روش تحلیل و داده کاوی با استفاده از شبکه عصبی خودسازمانده SOM انجام شد. برای بخش‌بندی مشتریان، ویژگی‌های جمعیت‌شناختی، روان‌شناختی و رفتاری هم‌زمان به کار گرفته شده است.بر اساس خروجی‌های به دست آمده و شاخص‌های تعیین خوشه‌های بهینه، 3 بخش شامل مشتریان بی‌تفاوت، محافظه‌کار و وفادار شناسایی و برچسب‌گذاری شد.نتایج این پژوهش نشان می‌‌دهد که متغیرهای جمعیت‌شناختی، روان‌شناختی و رفتاری در بخش‌بندی مشتریان خودروهای پلاک اروند نقش تعیین‌کننده‌ و ویژه‌ای دارند. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  35 - پایش قیمت سهام با استفاده از مدل های تحلیل ممیزی خطی، تحلیل ممیزی درجه دوم و الگوریتم ژنتیک بر مبنای شبکه عصبی مصنوعی در بورس اوراق بهادار تهران
  محمدحسین پوست فروش علیرضا ناصر صدرآبادی محمود معین الدین
  در این مقاله از مدل تحلیل ممیزی DA 1 و مدل هیبریدی الگوریتم ژنتیک بر مبنای شبکه عصبی مصنوعیANN-GA 2 برای تخمین دستکاری قیمت سهام در بورس اوراق بهادار تهران استفاده شده است. در این پژوهش،ابتدا با استفاده از روش غربالگری، نمونه ای به حجم 543 شرکت پذیرفته شده در بورس اوراق أکثر

  در این مقاله از مدل تحلیل ممیزی DA 1 و مدل هیبریدی الگوریتم ژنتیک بر مبنای شبکه عصبی مصنوعیANN-GA 2 برای تخمین دستکاری قیمت سهام در بورس اوراق بهادار تهران استفاده شده است. در این پژوهش،ابتدا با استفاده از روش غربالگری، نمونه ای به حجم 543 شرکت پذیرفته شده در بورس اوراق بهادار تهران انتخابو اطلاعات مربوط به شاخص های قیمت و بازده نقدی TEDPIX ، قیمت پایانی، نوسان قیمت پایانی و حجممعاملات در بازه زمانی سال های 1531 تا 1531 گردآوری گردید. سپس با به کارگیری آزمون وابستگی دیرش 5 ،آزمون ضرایب کشیدگی و چولگی 4 و آزمون سلسله 3 و با استفاده از متغیر قیمت و بازده نقدی، شرکت های منتخببه دودسته دستکاری قیمت شده و دستکاری قیمت نشده تقسیم شدند. سپس با بررسی نمودار روند تغییراتشاخص قیمت و بازده نقدی و حجم معاملات در مورد شرکت های دستکاری قیمت شده، تاریخ شروع دستکاریقیمت تعیین گردید. در گام بعدی، با استفاده از تابع تحلیل ممیزی خطی ) LDF ) 6 و تابع تحلیل ممیزی درجه دوم( QDF ) 1 و همچنین الگوریتم ژنتیک بر مبنای شبکه عصبی مصنوعی و با استفاده از متغیرهای قیمت پایانی، نوسانقیمت پایانی و حجم معاملات و با به کارگیری اطلاعات یک سال قبل از شروع دستکاری قیمت سهام برایشرکت های دستکاری قیمت شده و اطلاعات چهارساله برای شرکت های دستکاری قیمت نشده، مدل هایی برایپیش بینی دستکاری قیمت سهام طراحی گردید. در پایان توانایی پیش بینی مدل ها موردبررسی قرار گرفت. با توجهبه نتایج به دست آمده، توانایی پیش بینی مدل تحلیل ممیزی درجه دوم نسبت به مدل تحلیل ممیزی خطی و مدلالگوریتم ژنتیک بر مبنای شبکه عصبی مصنوعی بهتر هست. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  36 - پیش بینی نوع اظهارنظر حسابرسان با رویکردی بر روش های داده کاوی
  محمدحسین ستایش فهیمه ابراهیمی سیدمجتبی سیف مهدی ساریخانی
  روش های داده کاوی می تواند حسابرسان را در ارائه اظهارنظر حسابرسی یاری رساند. هدف این پژوهشپیش بینی نوع اظهارنظر حسابرسان با استفاده از رو شهای داده کاوی و مقایسه عملکرد این روش ها است. بدینمنظور از روش های شبکه عصبی مصنوعی، ماشین بردار پشتیبان، نزدی کترین همسایگی و درخت أکثر

  روش های داده کاوی می تواند حسابرسان را در ارائه اظهارنظر حسابرسی یاری رساند. هدف این پژوهشپیش بینی نوع اظهارنظر حسابرسان با استفاده از رو شهای داده کاوی و مقایسه عملکرد این روش ها است. بدینمنظور از روش های شبکه عصبی مصنوعی، ماشین بردار پشتیبان، نزدی کترین همسایگی و درخت تصمیم استفادهشده است. نمونه مورد بررسی شامل 842 مشاهده طی سال های 1380 تا 1389 بوده که این مشاهدات به دو قسمتتقسیم شده است، قسمتی از مشاهدات برای آموزش و قسمتی برای ارزیابی روش در نظر گرفته می شود. مقایسه% عملکرد رو شهای مورد استفاده بیانگر این است که روش ماشین بردار پشتیبان با صحت پی شبینی معادل 76نسبت به سایر روش ها دارای بهترین عملکرد در پی شبینی نوع اظهارنظر حسابرسان است. بررسی خطای نوع اول ودوم هریک از روش ها نیز بیانگر عملکرد بهتر ماشین بردار پشتیبان است. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  37 - مقایسه پیش بینی هزینه ها با استفاده از روش های آماری و شبکه عصبی مطالعه موردی: شهرداری اصفهان
  امیر محمدزاده نسرین مهدی پور آرش محمدزاده
  پیش بینی هزینه کل آب در شهرداری اصفهان کمک موثری میباشد برای بهینه سازی مصرف آب در 14 منطقهشهرداری اصفهان. هزینه کل آب تابعی از پارامترهای مختلف و متنوع می باشد. به همین دلیل پیش بینی هزینه بهصورت تحلیلی بسیار مشکل و یا ناممکن می باشد. در این شرایط استفاده از سیستم های أکثر

  پیش بینی هزینه کل آب در شهرداری اصفهان کمک موثری میباشد برای بهینه سازی مصرف آب در 14 منطقهشهرداری اصفهان. هزینه کل آب تابعی از پارامترهای مختلف و متنوع می باشد. به همین دلیل پیش بینی هزینه بهصورت تحلیلی بسیار مشکل و یا ناممکن می باشد. در این شرایط استفاده از سیستم های هوشمند می تواند بهعنوان یک گزینه راهگشا مطرح گردد. در این تحقیق با استفاده از شبک ه های عصبی پرسپترون چند لایه و باالگوریتم آموزشی پس انتشار خطا هزینه کل آب شهرداری اصفهان بر اساس پارامترهای سرانه جمعیت هر منطقه،سرانه مساحت هر منطقه به دست آمده است.بدین منظور در این تحقیق مدلی برنامه ریزی شده که قابلیت ها وچهارچوب آن برای پیش بینی هزینه آب در 14 منطقه شهرداری اصفهان میباشد. این برنامه شامل شبیه سازی و پیشبینی هزینه کل آب سالانه شهرداری اصفهان می باشد. شبیه سازی هزینه کل آب با روش های رگرسیون و ش بکهعصبی مصنوعی با استفاده از داده های سال 83 تا 88 انجام شده است که در نهایت روش شبکه عصبی مصنوعیبه عنوان مدل شبیه سازی تعیین شده است تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  38 - ارائه یک مدل شبکه عصبی برای پیش‌بینی سود شرکت‌های پذیرفته شده در بورس اوراق بهادار تهران و مقایسه دقت آن با مدل‌هایHDZ و ARIMA
  مسعود اسدی سیدمظفر میربرگ کار ابراهیم چیرانی
  10.30495/jma.2022.21080
  پیش‌بینی سود معیار بااهمیتی برای شرکت‌ها به شمار رفته و شرکت‌های پذیرفته شده در بورس اوراق بهادار تهران باید دقت بالایی در پیش‌بینی سود خود داشته باشند. این پژوهش با هدف ارائه یک مدل شبکه عصبی برای پیش‌بینی سود شرکت‌های پذیرفته شده در بورس اوراق بهادار تهران و مقایسه دق أکثر

  پیش‌بینی سود معیار بااهمیتی برای شرکت‌ها به شمار رفته و شرکت‌های پذیرفته شده در بورس اوراق بهادار تهران باید دقت بالایی در پیش‌بینی سود خود داشته باشند. این پژوهش با هدف ارائه یک مدل شبکه عصبی برای پیش‌بینی سود شرکت‌های پذیرفته شده در بورس اوراق بهادار تهران و مقایسه دقت آن با مدل‌های ARIMA، HDZ به اجرا درآمده است. روش پژوهش از نظر هدف یک تحقیق کاربردی، از نظر منطق اجراء یک تحقیق استقرایی و از نظر ماهیت داده یک تحقیق کمی می‌باشد. به منظور گردآوری داده ها از صورت‌های مالی اساسی شرکت ها در بازه‌ زمانی 1398-1393 استفاده شد. در این مطالعه از روش شبکه عصبی به منظور پیش‌بینی سود شرکت ها استفاده شده و دو مدل ARIMA و HDZ مورد ارزیابی قرار گرفت. نتایج حاصل از پژوهش بیان می‌کند که میزان همگرایی داده‌ها و میزان رگرسیون در فاز اول و در روش HDZ برابر با 79087/ 0، و در روش ARIMA برابر با 79184/0 و در روش شبکه عصبی مصنوعی برابر با.79464/0 می‌باشد که میزان بیشتری از همگرایی و ضریب رگرسیون رو به خود اختصاص داده است. بر مبنای نتایج حاصله می‌توان دریافت که شبکه عصبی طراحی شده توانایی پیش بینی روند قیمت سهام با استفاده از شاخص‌های کل و صنعت را دارا می‌باشد و این امر علاوه بر تأیید دیگری بر توانایی شبکه عصبی در پیش بینی حوزه‌های مالی، سود آوری استراتژی پیش بینی قیمت در بورس تهران را نیز تأیید می‌کند. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  39 - Application of Artificial Neural Network and Genetic Algorithm for Predicting three Important Parameters in Bakery Industries
  H. Abbasi Z. Emam-Djomeh S. M. Seyedin
  Farinograph is the most frequently used equipment for empirical rheological measurements of dough. It’suseful to illustrate quality of flour, behavior of dough during mechanical handling and texturalcharacteristics of finished products. The percentage of water abs أکثر

  Farinograph is the most frequently used equipment for empirical rheological measurements of dough. It’suseful to illustrate quality of flour, behavior of dough during mechanical handling and texturalcharacteristics of finished products. The percentage of water absorption and the development time of doughare the most important parameters of farinography for bakery industries during production. However,farinograph quality number is also a profitable factor for rapid evaluation of flour. Our purpose in presentresearch is to apply artificial neural networks (ANNs) for predicting three important parameters offarinograph from simple measurable physicochemical properties of flour. Genetic algorithm (GA) was alsoapplied in the training phase for optimizing different parameters of ANN’s structure and inputs. Sensitivityanalyses were also conducted to explore the ability of inputs in predicting the networks outputs. Two neuralnetworks were developed; the first for modeling water absorption and dough development time and thesecond for modeling farinograph quality number. Both developed ANNs using GA have excellent potentialin predicting the farinograph properties of dough. In developed models, gluten index and Zeleny, suitableparameters for qualitative measurements of samples, played the most important role for predicting doughfarinograph characterisations. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  40 - مقایسه مدل های شبکه عصبی مصنوعی و رگرسیون چند متغیره در پیش بینی درصد پوشش درمنه کوهی از روی برخی خصوصیات خاک
  منصوره کارگر زینب جعفریان
  مدیریت دقیق زیستبومهای خاکی برای اهداف مختلف مستلزم شناخت دقیق و کمی خصوصیات و فرآیندهای آنهـا بـه خصـوص در بخـش خـاک است. هدف تحقیق حاضر با توجه به تاثیر خصوصیات خاک بر پوشش گیاهی پیشبینی درصد پوشش گونه درمنه کوهی از طریق برخی خصوصیات خاک است. نمونهبرداری به روش تصادفی أکثر

  مدیریت دقیق زیستبومهای خاکی برای اهداف مختلف مستلزم شناخت دقیق و کمی خصوصیات و فرآیندهای آنهـا بـه خصـوص در بخـش خـاک است. هدف تحقیق حاضر با توجه به تاثیر خصوصیات خاک بر پوشش گیاهی پیشبینی درصد پوشش گونه درمنه کوهی از طریق برخی خصوصیات خاک است. نمونهبرداری به روش تصادفی سیستماتیک و با استقرار 5 ترانسکت 100 متری و 10 پلات 4 مترمربعی به فاصله 10 متر از هم روی هـر ترانسـکت انجام شد. درصد تاج پوشش درمنه کوهی در هر پلات اندازهگیری شده و نمونه خاک از عمق -0 15 سانیمتری گرفته شـد . در مجمـوع 50 نمونـه خـاک جمعآوری شده و مورد آزمایش قرار گرفت. کربن آلی، آهک، نیتروژن کل، اسیدیته همراه با درصد رطوبت، درصد رس، درصد سیلت و درصـد شـن خـاک اندازهگیری شدند. تمام دادهها به دو سری شامل سری آزمایش متشکل از 70 درصد دادهها برای انجام تجزیـه و تحلیـل و سـری ارزیـابی متشـکل از 30 درصد دادهها برای ارزیابی مدلهای ساخته شده تقسیم گردید. نتایج نشان داد که رطوبت خاک، درصد سیلت و درصد شـن خـاک بـه عنـوان مهـم تـرین خصوصیات خاک پیشبینی کننده در درصد تاج پوشش درمنه کوهی در منطقه مورد مطالعه میباشند. هم چنین نتایج ارزیابی مدلها نشـان داد کـه مـدل شبکه عصبی مصنوعی RMSE و ME به ترتیب برابر و 0/06 0/25 در مقایسه با مدل رگرسیون خطی چند متغیره با RMSE و ME بـه ترتیـب برابـر و 0/12 0/43 بهتر عمل کرده است. با توجه به RMSE و ME پایینتر مدل شبکه عصبی مصنوعی نسبت به مدل رگرسیون از عملکرد بهتری برخوردار بوده که دلیل این امر در نظر گرفتن روابط غیرخطی بین پدیدهها در روش شبکه عصبی مصنوعی میباشد. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  41 - بهینه‌سازی بهره‌برداری از آبخوان دشت شهریار با شبیه‌سازی جریان آب زیرزمینی به روش مدل‌سازی ترکیبی
  نیما صالحی شفا حسین بابازاده فیاض آقایاری علی صارمی محمدرضا غفوری مسعود صفوی علی پناهدار
  10.30495/jrnr.2022.70366.10272
  در پژوهش حاضر یک الگوی شبیه‌سازی چند‌هدفه ارایه شد و شش سناریو بر اساس بیلان آب زیرزمینی به‌منظور بهره‌برداری بهینه از آبخوان دشت شهریار تعریف شد. به این منظور، ابتدا با استفاده از مدل های مبتنی بر GIS و با روش‌های فازی و وزنی، مناطق پر آب و کم آب محدوده مطالعاتی به‌من أکثر

  در پژوهش حاضر یک الگوی شبیه‌سازی چند‌هدفه ارایه شد و شش سناریو بر اساس بیلان آب زیرزمینی به‌منظور بهره‌برداری بهینه از آبخوان دشت شهریار تعریف شد. به این منظور، ابتدا با استفاده از مدل های مبتنی بر GIS و با روش‌های فازی و وزنی، مناطق پر آب و کم آب محدوده مطالعاتی به‌منظور اولویت‌بندی منابع و مصارف شناسایی شدند. سپس سناریوهای مورد نظر به ‌وسیله مدل GMS شبیه‌سازی و ارزیابی شدند. در نهایت به منظور افزایش دقت نتایج پژوهش، غلظت TDS و بیلان آب زیرزمینی با استفاده از مدل‌ شبکه عصبی مصنوعی شبیه‌سازی شد. با توجه به نتایج روش‌های فازی و وزنی، مناطق رباط‌کریم، سپس اسلامشهر و در نهایت شهریار به‌عنوان نواحی کم آب مشخص شدند. بر اساس نتایج حاصل شده، بیلان حالت ناپایدار و صحت‌سنجی به ترتیب برابر 344/68- و 109/98- میلیون مترمکعب محاسبه شدند. سناریوی سوم با بیلان 203/33 میلیون ‌متر‌مکعب به‌عنوان بهترین سناریو انتخاب شد و بیلان حاصل از آن نسبت به بیلان حاصل از مدل GMS و شبکه عصبی برای سال آبی 95 به‌ترتیب برابر 284/87 و 284/83 درصد افزایش یافت. همچنین غلظت کل مواد جامد محلول آب زیرزمینی حاصل از مدل GMS‌ و شبکه عصبی در کل بازه زمانی مطالعاتی به‌طور میانگین برابر 655 و 651 میلی‌گرم بر لیتر برآورد شدند. معیارهای ضریب همبستگی و ضریب تعیین حاصل از مدل‌های شبکه عصبی برای بیلان آب زیرزمینی و کل داده‌ها برابر یک و برای غلظت کل مواد جامد محلول آب زیرزمینی به‌ترتیب برابر 0/997 و 0/994 برآورد شدند. در تحقیق حاضر، الگوی شبیه‌سازی چند‌هدفه به‌عنوان یک روش جامع و کاربردی با ارایه روش‌های شبیه‌سازی نوین، توانایی پشتیبانی از چند سناریوی مؤثر را داشته و منجر به افزایش پایداری سیستم آب زیرزمینی می‌شود. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  42 - پیش‌بینی جریان بر پایه‌ عدم قطعیت‌های موجود و ارزیابی نوسانات جریان زیست‌محیطی روی اکوسیستم‌ منابع تجدیدشونده حوضه سد طالقان
  زهرا نفریه مهدی سرائی تبریزی حسین بابازاده حمید کاردان مقدم
  10.30495/jrnr.2022.69887.10263
  اهمیت بقای نسل گونه‌های نادر و حفظ تنوع زیستی کشور برای آیندگان و چرخه اکوسیستم با وجود محدودیت‌های منابع آب سطحی لزوم برنامه‌ریزی منابع آبی را نشان ‌می‌دهد. مولفه‌ مهم در بهینه‌سازی و مدیریت آب سطحی، پیش بینی های بلند‌مدت و کوتاه مدت جریان رودخانه است. پژوهش حاضر ب أکثر

  اهمیت بقای نسل گونه‌های نادر و حفظ تنوع زیستی کشور برای آیندگان و چرخه اکوسیستم با وجود محدودیت‌های منابع آب سطحی لزوم برنامه‌ریزی منابع آبی را نشان ‌می‌دهد. مولفه‌ مهم در بهینه‌سازی و مدیریت آب سطحی، پیش بینی های بلند‌مدت و کوتاه مدت جریان رودخانه است. پژوهش حاضر به منظور دستیابی به این مهم به مقایسه عملکرد دو مدل شبکه بیزینBN و شبکه عصبی MLP، طی هفده الگوی ساختاری پرداخت. سپس مقادیر زیست‌محیطی و شرایط زیستی آبزیان بررسی شد. داده های ماهانه هواشناسی و همچنین حجم آب انتقالی از پنج ایستگاه هیدرومتری ورودی به سد طالقان از سال 1385 تا 1397 به‌عنوان داده ورودی به مدل‌ها معرفی گردید و رواناب ورودی به سد به‌عنوان پیش بینی شونده لحاظ شد. در مرحله بعد با استفاده از روش هیدرولوژیک تنانت دبی‌های‌ ‌زیست‌محیطی محاسبه گردید و احتمال وقوع این دبی‌ها در داده‌های ثبتی و هفده الگو در محیط نرم افزار Easyfit محاسبه شد. سپس مقایسه‌ الگوهای منتخب با توجه به احتمال وقوع و معیار‌های شاخص، ضریب نش- ساتکلیف، جذر خطای میانگین مربعات و متوسط خطای پیش‌بینی مطلق انجام شد. با وجود 43/3 درصد تشابه بهترین الگو مدل BN در برابر 80 درصد تشابه در مدل MLP، مدل BN با معیار شاخص بهتر (3/98- ، 17/3 و 0/06) در مقابل مقادیر شاخص در مدل MLP (23/9 ،-10/3 و 122/3) دقت بهتری داشته است. همچنین مشخص شد حوضه با خطر ‌زیست‌محیطی مواجه است، زیرا مقادیر پیشنهادی برای جریان زیست‌محیطی در بعضی از ماه‌ها در طول دوره مطالعاتی از کل رواناب بیشتر بوده است. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  43 - Structural Relationship Study of Octanol-Water Partition Coefficient of the Compounds in kesum Essential Oil Using GA-MLR and GA-ANN Methods
  Atefehsadat Navabi Tahereh Momeni Isfahani
  10.30495/jptc.2021.20873
  Essential Oils are highly concentrated substances the subtle, aromatic and volatile liquids. The use of essential oils is largely widespread in foods, deodorants, pharmaceuticals, drinks, cosmetics, medicine and embalming antiseptics especially with aromatherapy becomin أکثر

  Essential Oils are highly concentrated substances the subtle, aromatic and volatile liquids. The use of essential oils is largely widespread in foods, deodorants, pharmaceuticals, drinks, cosmetics, medicine and embalming antiseptics especially with aromatherapy becoming increasingly popular. The lipophilicity of an organic compound can be described by a partition coefficient, logP, which plays a significant role in drug discovery and compound design. A data set of 40 compounds in the essential oil of kesum was randomly divided into 3 groups: training, test and validation sets consisting of 70%, 15% and 15% of data point, respectively. A large number of molecular descriptors were calculated with Dragon software. The Genetic Algorithm - Multiple Linear Regressions (GA-MLR) and genetic algorithm -artificial neural network (GA-ANN) were employed to design the Quantitative Structure-Property Relationship (QSPR) models. The predictive powers of the QSPR model was discussed using Coefficient of determination (R2), Absolute Average Deviation (AAD) and the Mean Squared Error (MSE). The R2 and MSE values of the MLR model were calculated to be 0.734 and 0.194 respectively. The R2 and MSE values for the training set of the ANN model were calculated to be 0.9905 and 2×10-4 respectively. Comparison of the results revealed that the application the GA-ANN method gave better results than GA-MLR method تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  44 - ارائه الگوی نقش اخلاق حرفه‌ای در ایجاد مزیت استراتژیک با تاکید بر نقش میانجی مسئولیت اجتماعی
  امید فرزین روح الله سمیعی
  10.30495/jisds.2021.19445
  اخلاق حرفه‌ای به معنای بایدها و نبایدهای ارزشی فلسفی نسبت به خود، دیگران و جامعه و همچنین مسؤلیت تعهدی که شخص در حرفه خود نسبت به دیگران و جامعه دارد، می‌باشد. پژوهش حاضر به ارائه الگوی نقش اخلاق حرفه‌ای در ایجاد مزیت استراتژیک در نظام اداری بخش عمومی با تاکید بر نقش می أکثر

  اخلاق حرفه‌ای به معنای بایدها و نبایدهای ارزشی فلسفی نسبت به خود، دیگران و جامعه و همچنین مسؤلیت تعهدی که شخص در حرفه خود نسبت به دیگران و جامعه دارد، می‌باشد. پژوهش حاضر به ارائه الگوی نقش اخلاق حرفه‌ای در ایجاد مزیت استراتژیک در نظام اداری بخش عمومی با تاکید بر نقش میانجی مسئولیت اجتماعی می‌پردازد. پژوهش حاضر از لحاظ ماهیت اکتشافی و از نظر هدف کاربردی و از نظر روش گردآوری داده‌ها از نوع آمیخته می‌باشد. 250 نفر (از نخبگان، مدیران و معاونین ادارات سازمان امور مالیاتی استان‌های شمال کشور )هستند که با استفاده از جداول مورگان 163 نفر و به صورت تصادفی به پرسشنامه‌های اخلاق حرفه‌ای و مزیت استراتژیک پاسخ دادند. برای بررسی ارتباط بین متغیرها از روش شبکه‌های عصبی فازی دلفی تطبیق پذیر با استفاده از نرم‌افزار MATLAB شد و مدل مورد ارزیابی و تایید شد. یافته های تحقیق نشان داد که بین اخلاق حرفه ایی و مسئولیت اجتماعی رابطه خطی معنی داری وجود دارد هرچه اخلاق حرفه ایی بیشتر می‌شود مسئولیت اجتماعی بیشتر می‌شود. اخلاق با میانجیگری مسئولیت اجتماعی مزیت استراتژیک را در سازمان بیشتر می‌کند. بنابراین سازمان‌ها با رعایت کردن و مبنا قرار دادن استانداردها و اصول اخلاق حرفه‌ای در سازمان در جهت ارتقای مسئولیت اجتماعی، بسترهای لازم را فراهم نمایند.ارتباط میان مسئولیت اجتماعی و مزیت استراتژیک از طریق تدوین استراتژی‌های اجتماعی که بر فرصت‌ها، منابع و امکانات، مهارت‌ها و شایستگی‌های سازمانی اثر می‌گذارند و تأثیر می‌پذیرند، بیان می‌گردد. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  45 - پیش بینی دماهای حداکثر روزانه با استفاده از شبکه‌های عصبی مصنوعی(مطالعه موردی:کرمان)
  شکوفه امیدی قلعه محمدی احمد مزیدی سودابه کریمی نجمه حسنی سعدی محبوبه امیدی قلعه محمدی حسن خراج پور
  10.30495/sarzamin.2022.35670.1604
  با توجه به توانایی شبکه های عصبی مصنوعی در شبیه‌ سازی فرایندهای بسیار پیچیده، از آن‌ها برای پیش بینی و محاسبه پارامترهای اقلیمی استفاده می‌شود. هدف این پژوهش نیز پیش بینی دمای حداکثر روزانه در استان کرمان می باشد. بدین منظور پارامترهای اقلیمی روزانه به عنوان ورودی شبکه أکثر

  با توجه به توانایی شبکه های عصبی مصنوعی در شبیه‌ سازی فرایندهای بسیار پیچیده، از آن‌ها برای پیش بینی و محاسبه پارامترهای اقلیمی استفاده می‌شود. هدف این پژوهش نیز پیش بینی دمای حداکثر روزانه در استان کرمان می باشد. بدین منظور پارامترهای اقلیمی روزانه به عنوان ورودی شبکه های عصبی، و دمای حداکثر روزانه به عنوان خروجی شبکه، طی دوره آماری 24 ساله (2013-1989) مورد استفاده قرار گرفته است نتایج این تحقیق بعد از آزمون شبکه، نشان داد که. شبکه پرسپترون چند لایه با توجه به میزان خطا و همبستگی بین داده‌ها از دقت بیشتری برخوردار است وخطای کمتر و همبستگی بیشتری نسبت به خروجی مورد نظر (دمای حداکثر روزانه) را نشان می‌دهد. همچنین از بین پارامترهای اقلیمی استفاده شده دمای حداقل و میانگین دمای تر نسبت به دیگر پارامترهای اقلیمی ورودی شبکه عصبی پیش بینی دمای حداکثر روزانه را با خطای کم و همبستگی بیشتری نشان می دهند. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  46 - ارائه روشی در زمینه آشکارسازی اهداف در تصاویر ماهواره‌ای با استفاده از یادگیری عمیق و با رویکرد سنجش از دور و GIS
  نادر بیرانوند مهدی کیخایی رویین ممانی
  آشکارسازی و شناسایی خودکار عوارض موجود در مناطق مختلف جغرافیایی با دقت بالا با توجه به اهداف گوناگون اعم از مدیریت شهری، اهداف نظامی و غیره از مسائل اساسی در شناخت پدیده‌های سطح محسوب می‌گردد. تکنیک‌های سنجش از دور و سیستم اطلاعات مکانی (GIS) به همراه تصاویر اخذ شده از أکثر

  آشکارسازی و شناسایی خودکار عوارض موجود در مناطق مختلف جغرافیایی با دقت بالا با توجه به اهداف گوناگون اعم از مدیریت شهری، اهداف نظامی و غیره از مسائل اساسی در شناخت پدیده‌های سطح محسوب می‌گردد. تکنیک‌های سنجش از دور و سیستم اطلاعات مکانی (GIS) به همراه تصاویر اخذ شده از سنجنده‌های ماهواره‌ای با تلفیق الگوریتم‌های یادگیری عمیق نمایان‌سازی عوارض موجود در تصاویر را به خوبی ارتقاء داده است. در این پژوهش به ارائه روشی نو در تلفیق همزمان لایه‌های CNN و Pooling موجود در الگوریتم مورد استفاده پرداخته شده که در نهایت منجر به کاهش چشمگیر زمان آموزش شبکه با استفاده از داده‌های جامع آموزشی با دقت بالا و در عین حال حجم زیاد گردید. در این تحقیق با بهره‌گیری از آموزش شبکه به وسیله داده‌های آموزشی به آشکارسازی کشتی‌های موجود در تصاویر ماهواره‌ای با ایجاد یک شبکه تماماً کانولوشنال FCN پرداخته شده‌است. جهت ارزیابی عملکرد و دقت الگوریتم استفاده شده در یافتن و آشکارسازی کشتی‌های موجود در تصاویر ماهواره‌ای، با اعمال این الگوریتم آشکارساز بر روی چندین تصویر ماهواره‌ای دیگر از معیارهای ارزیابی Precision، Recall و F1-Score استفاده شد که مقادیر آن‌ها به ترتیب برابر با %100، % 61/97 و % 83/98 بوده‌است که نمایانگر دقت و قابل اعتماد بودن الگوریتم می‌باشد. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  47 - کاربرد سیگنال‌های اقلیمی در پیش بینی تبخیر در غرب ایران
  عنایت اله رحمتی مجید منتظری امیر گندمکار مهران لشنی زند
  تبخیر یکی از متغیرهای اقلیمی است که پیش بینی آن نقش مهمی در برنامه ریزیهای مربوط به آب دارد. با توجه به بالا بودن نسبی میزان بارندگی در مناطق غرب ایران، آگاهی از میزان تبخیر برای مدیریت درست آب در این مناطق ضروری میباشد. از عوامل اثرگذار بر میزان تبخیر، سیگنال‌های اقلیم أکثر

  تبخیر یکی از متغیرهای اقلیمی است که پیش بینی آن نقش مهمی در برنامه ریزیهای مربوط به آب دارد. با توجه به بالا بودن نسبی میزان بارندگی در مناطق غرب ایران، آگاهی از میزان تبخیر برای مدیریت درست آب در این مناطق ضروری میباشد. از عوامل اثرگذار بر میزان تبخیر، سیگنال‌های اقلیمی میباشند که توجه به نقش آنها پیش بینی تبخیر را ممکن می کند. با استفاده از مدل شبکه عصبی مصنوعی به پیش بینی تبخیر بر اساس این سیگنال‌ها اقدام شده که آمار مربوط به تبخیر از تشت در 3 ایستگاه سینوپتیک با حداقل 20 سال آمار ماهانه و نیز مهمترین سیگنال‌های اقلیمی با نرم افزار نروسلوشن (Neurosolution) تجزیه و تحلیل شده است. نتایج پژوهش نشان دهنده آن است که مهمترین سیگنال‌های مرتبط با تبخیر در منطقه شامل Nina3:، Nina1، SW Monsoon، Mei و Nina4 میباشد. مقایسه داده‌های مشاهده ای تبخیر و خروجی شبکه عصبی، همبستگی بالا بین این داده را نشان می دهد. به گونه‌ای که میزان این همبستگی در ایستگاه کرمانشاه 71 درصد، همدان 82 درصد و سنندج 80 درصد است. با درنظر گرفتن خروجی شبکه عصبی مصنوعی و داده‌های مربوط به سیگنال‌های اقلیمی، میتوان با دقت بالای 97 درصد به پیش بینی تبخیر درمنطقه مورد پژوهش اقدام نمود. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  48 - A novel method for forecasting the Malmquist productivity index by artificial neural network: Evidence from Iranian commercial bank
  Elsa Shokrollahpour Fariba Salahi
  Banks are the most important part of today’s economy and society. Therefore, their performance and productivity measurement is crucial. This study attempts to calculate productivity change of one of the Iranian commercial banks for the five years period. The Malmq أکثر

  Banks are the most important part of today’s economy and society. Therefore, their performance and productivity measurement is crucial. This study attempts to calculate productivity change of one of the Iranian commercial banks for the five years period. The Malmquist productivity index was selected as measurement tool of efficiency and technical changes. In literature mostly a static form for calculating the Malmquist productivity index was available. As few studies have been conducted in dynamic form this, in this study the forecasted progress or regress for bank branches is calculated by integrating artificial neural network and Malmquist index. The results demonstrated that more branches’ productivity would progress in next sixty months. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  49 - Performance Evaluation of Decision Making Units Using Data Envelopment Model and Artificial Neural Network (Case Study: Fars Regional Water Corporation)
  Morteza shafiee Saeedeh Akbarpoor Sara Salari Dargi
  One of the problems with using the DEA is the lack of resolution for decision makers. The performance limit obtained by the DEA is also sensitive to statistical perturbations and outliers caused by measurement error or any other external factor, causing the efficiency l أکثر

  One of the problems with using the DEA is the lack of resolution for decision makers. The performance limit obtained by the DEA is also sensitive to statistical perturbations and outliers caused by measurement error or any other external factor, causing the efficiency limit to be shifted and diverting the DEA analysis path. The DEA can also hardly predict the performance of decision-making units in the future. Therefore, artificial neural networks are a good tool to use in such issues because the nature of ANN performance is due to its learning power and generalizability in a way that is more resistant to outliers and perturbations resulting from inaccurate data measurement and can As a useful tool for managers to predict and observe the behavior of their system in the organization in the future. Also, in order to implement the theoretical findings from practical research, 27 district units of Fars Regional Water Company to increase the volume Groundwater was evaluated. Initially, the input-driven CCR model and the Anderson-Peterson (AP) method were used to rank the units in the DEA model, and then the ANN approach was used to evaluate the performance of the units using the hybrid models (DEA - Neuro). The results of the computational efficiency analysis of the units using this model demonstrate the high power of the network in computing and resolving the performance. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  50 - Application of Machine Learning Models for flood risk assessment and producing map to identify flood prone areas: Literature Review
  Parisa Firoozishahmirzadi Shaghayegh Rahimi Zeinab Esmaeili Seraji
  10.30495/ijdea.2022.68987.1181
  Floods as the most destructive natural disaster are highly complex to model. The research on the advancement of flood risk assessment models contributed to risk reduction, policy suggestion, reduction of the property damage and minimization of the loss of human life. Dur أکثر

  Floods as the most destructive natural disaster are highly complex to model. The research on the advancement of flood risk assessment models contributed to risk reduction, policy suggestion, reduction of the property damage and minimization of the loss of human life. During the past two decades, machine learning methods contributed highly in the advancement of modeling systems, providing better performance and cost-effective solutions. Researchers through introducing novel ML methods and hybridizing of them aim at discovering more accurate and efficient models. The main contribution of this literature review is to demonstrate the state of ML models from two perspectives; 1-flood risk assessment, 2- producing flood reliable map to give insight into the most suitable models. In this literature is shown the important ML models that can have impressive effect on flood models are Super Vector Mane, Decision Tree, Logistic Regression and Random Forest respectively. Hybridization different kind of ML methods, data fusion that is a prevalent way to deal with imperfect raw data for capturing reliable, ensemble algorithm and model optimization are reported as the most effective strategies for the improvement of ML methods. Random Forest models do well with high dimensional data and their flexibility makes them suitable for solving more problems. ANN models are especially good at modeling multifarious nonlinear networks that are difficult to describe with functions directly. This study provides a concise and comprehensive reference for researchers تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  51 - توسعه و ترکیب مدل‌های زمین‌آمار و محاسبات نرم در برآورد توزیع مکانی سطح آب‌زیرزمینی
  سامان معروف پور احمد فاخری فرد جلال شیری
  از اساسی‌ترین موارد در مدیریت کمی منابع آب زیرزمینی، تخمین سطح آب با استفاده از داده‌های برداشت شده از شبکه چاه‌های مشاهده‌ای است. هدف از این پژوهش، میان‌یابی سطح آب ‌زیرزمینی با استفاده از زمین‌آمار و محاسبات نرم در منطقه ای از دشت‌های بم نرماشیر و رحمت‌آباد (استان کرم أکثر

  از اساسی‌ترین موارد در مدیریت کمی منابع آب زیرزمینی، تخمین سطح آب با استفاده از داده‌های برداشت شده از شبکه چاه‌های مشاهده‌ای است. هدف از این پژوهش، میان‌یابی سطح آب ‌زیرزمینی با استفاده از زمین‌آمار و محاسبات نرم در منطقه ای از دشت‌های بم نرماشیر و رحمت‌آباد (استان کرمان) با مساحت 19028 کیلومتر مربع به عنوان نمونه می باشد. از روش‌های کریجینگ ساده و عکس فاصله وزنی و همچنین مدل‌های شبکه عصبی مصنوعی، سیستم استنتاج فازی-عصبی انطباقی و برنامه‌ریزی بیان ژن برای پیش‌بینی توزیع مکانی سطح آب‌زیرزمینی استفاده و بهترین مدل از بین مدل‌های هوشمند و زمین آماری انتخاب و برای نمونه‌برداری بیشتر در منطقه مورد مطالعه استفاده شد. بدین منظور از اطلاعات مربوط به نمونه‌های حاصل از 65 حلقه چاه در طول آماری سال 1381 تا 1390 استفاده شد. برای مقایسه مدل‌ها معیارهای آماری RMSE، R2، AARE و MAE به کار بسته شدند. نتایج نشان داد در بین مدل‌های هوشمند با ورودی طول جغرافیایی و عرض جغرافیایی، شبکه عصبی مصنوعی و در بین مدل‌های زمین ‌آماری، روش عکس فاصله وزنی با داشتن کمترین RMSE (به‌ترتیب 138/7 و 062/15 متر) و AARE(به ترتیب 33 و 47 درصد) و بیشترین R2 (به ترتیب 606/0 و 591/0 ) مناسب‌ترین مدل جهت برآورد به ترتیب نقطه‌ای و ناحیه‌ای سطح آب‌زیرزمینی می‌باشد. در نهایت مدل هیبرید IDW-ANN جهت تخمین و پهنه‌بندی سطح آب‌زیرزمینی در آینده انتخاب شد. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  52 - شبیه سازی خودهمبسته جریان حوضه آبریز زرینه رود با استفاده از روش تجزیه پروکراستس و مدل‌های شبکه عصبی مصنوعی و ماشین بردار پشتیبان
  بهروز سبحانی محمد عیسی زاده منیر شیرزاد
  پیش بینی جریان رودخانه ها در حوضه های آبریز نقش مهمی در بهره برداری و مدیریت صحیح منابع آبی دارد. تعیین نوع و تعداد ورودی مدل های تخمین گر، یکی از مهم ترین مراحل در پیش بینی جریان رودخانه ها می باشد. بنابراین از روش تجزیه پروکراستس (PA) برای تعیین تعداد ورودی های موثر أکثر

  پیش بینی جریان رودخانه ها در حوضه های آبریز نقش مهمی در بهره برداری و مدیریت صحیح منابع آبی دارد. تعیین نوع و تعداد ورودی مدل های تخمین گر، یکی از مهم ترین مراحل در پیش بینی جریان رودخانه ها می باشد. بنابراین از روش تجزیه پروکراستس (PA) برای تعیین تعداد ورودی های موثر استفاده شده است. در این تحقیق پیش بینی جریان با استفاده از داده های جریان ماهانه ایستگاه های آب سنجی صفاخانه و سنته انجام گرفته است. مدل شبکه عصبی مصنوعی (MLP) و مدل ماشین بردار پشتیبان (SVM) برای پیش بینی جریان مورد استفاده قرار گرفته اند. بهترین تخمین جریان با استفاده از مدل های MLP و PA-MLP در ایستگاه آب سنجی صفاخانه به ترتیب با RMSE برابر با (m3/s) 68/5 و (m3/s) 85/4 و CC برابر با 73/0 و 78/0 و در ایستگاه آب سنجی سنته به ترتیب با RMSE برابر با (m3/s) 44/6 و (m3/s) 36/6 و CC برابر با 78/0 و 79/0 انجام شده است. مدل PA-SVM نیز به ترتیب با RMSE و CC برابر با (m3/s) 45/5 و 73/0 در دوره صحت سنجی نتایج بهتری را نسبت مدل SVM در تخمین جریان ایستگاه آب سنجی صفاخانه داشته است. همچنین نتایج نشان داد که مدل های SVM و PA-SVM جریان ایستگاه سنته را با RMSE به ترتیب برابر با (m3/s) 85/6 و (m3/s) 03/7 تخمین زده اند. در حالت کلی نتایج نشان داد که روش تجزیه پروکراستس می تواند به عنوان یکی از روش‌های کارآمد و مناسب جهت تعیین تعداد ورودی موثر مورد استفاده قرار گیرد. مقایسه نتایج مدل های MLP و SVM نیز نشان داد که مدل MLP از دقت بیشتری نسبت به مدل SVM برخوردار است. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  53 - پیش‌بینی بافت خاک با استفاده از شبکه‌های عصبی مصنوعی
  علی محمدی ترکاشوند الناز خانباباخانی محمدعلی محمودی
  بافت خاک یکی از مهم ترین ویژگی‌های خاک است که بر روی بسیاری از خصوصیات فیزیکی و شیمیایی مانند ظرفیت نگهداری آب، ظرفیت تبادل کاتیونی، حاصلخیزی خاک و تهویه خاک اثر می گذارد. امروزه از فناوری هوش مصنوعی مانند شبکه های عصبی و عصبی فازی برای حل مسائل مربوط به مدل سازی سیستم أکثر

  بافت خاک یکی از مهم ترین ویژگی‌های خاک است که بر روی بسیاری از خصوصیات فیزیکی و شیمیایی مانند ظرفیت نگهداری آب، ظرفیت تبادل کاتیونی، حاصلخیزی خاک و تهویه خاک اثر می گذارد. امروزه از فناوری هوش مصنوعی مانند شبکه های عصبی و عصبی فازی برای حل مسائل مربوط به مدل سازی سیستم ها و فرآیند ها استفاده می شود. در این پژوهش کارآیی شبکه‌های عصبی مصنوعی در پیش‌بینی بافت خاک بررسی شد. بدین منظور 150 نمونه خاک از عمق 15- 0 سانتی‌متری از حوزه آبخیز سد گاوشان در استان کردستان جمع آوری گردید. موقعیت جغرافیایی، ارتفاع و درصد شیب در هر نقطه ثبت شد. بافت خاک در آزمایشگاه به‌روش هیدرومتری اندازه‌گیری شد. با استفاده از شبکه‌های عصبی مصنوعی رابطه بین طول و عرض جغرافیایی، ارتفاع و شیب و درصد هر کدام از گروه‌های ذرات خاک با استفاده از نرم‌افزار MATLAB به‌دست آمد. دقت شبکه ساخته شده با استفاده از شاخص‌های آماری مانند شاخص ریشه میانگین مربعات خطا (RMSE)، شاخص نسبت خطای متوسط هندسی (GMER) و ضریب همبستگی (R) ارزیابی گردید. نتایج به‌دست آمده نشان داد که کارآیی روش استفاده شده برای برآورد مقدار شن و رس خاک نسبتاً یکسان و برای برآورد مقدار سیلت کم‌تر بود؛ با این حال در سطح برآورد بافت خاک روش استفاده شده از کارآیی بالایی برخوردار نبود. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  54 - مدلسازی برآورد میزان رسوب معلق رودخانه پسیخان با استفاده از شبکه عصبی مصنوعی درخت تصمیم
  سیدسامان میرفلاح نصیری ابراهیم امیری محبوبه شادابی بجند
  برآورد دقیق میزان رسوبات حمل شده در رودخانه‌ها بر اثر فرسایش عامل مهمی برای مدیریت پروژه های آب شناختی می‌باشد. شبکه عصبی مصنوعی به دلایل عمده از جمله برخورداری از توانایی تشخیص الگو، رابطه خوب بین ورودی و خروجی و نیاز به تعداد داده‌های ورودی کم‌تر در پیش‌بینی میزان رسو أکثر

  برآورد دقیق میزان رسوبات حمل شده در رودخانه‌ها بر اثر فرسایش عامل مهمی برای مدیریت پروژه های آب شناختی می‌باشد. شبکه عصبی مصنوعی به دلایل عمده از جمله برخورداری از توانایی تشخیص الگو، رابطه خوب بین ورودی و خروجی و نیاز به تعداد داده‌های ورودی کم‌تر در پیش‌بینی میزان رسوب معلق دارای اهمیت فراوانی است. بر این اساس پژوهش حاضر اقدام به مدلسازی برآورد میزان رسوب معلق رودخانه پسیخان با استفاده از شبکه عصبی مصنوعی درخت تصمیم M5 کرده است. میزان رسوب در رودخانه‌ها تابع پارامترهای زیادی از هندسه رودخانه، هیدرولیک جریان و خصوصیات رسوب است. به همین دلیل در این تحقیق سعی شده است ابتدا با بی بعد سازی پارامترهای موثر بر ظرفیت حمل رسوب، تعداد پارامترهای موثر کاهش یابد. نتایج نشان داد که درخت تصمیم ساخته شده اولیه یعنی درخت M5 نیاز به هرس ندارد و دارای کاربرد مناسب می باشد. برای بررسی میزان دقت مدل پیش‌بینی از سه پارامتر ضریب تعیین (R2)، متوسط خطای نسبی (ME) و میانگین مجذور مربعات خطا (RMSE) استفاده شد. مقادیر بدست آمده برای این سه پارامتر به ترتیب برابر با 851/0، 64/1037 و 32/941 به دست آمد که نشان دهنده مناسب بودن این سه پارامتر است. همچنین مقایسه میزان رسوب معلق بدست آمده از مدل درخت تصمیم با داده‌های اندازه گیری رودخانه پسیخان نشان داد که میزان ضریب تعیین برابر با 8953/0 به دست آمد که یک مقدار بسیار مناسب است. نتایج نشان داد که این مدل در پیش بینی میزان رسوب معلق در رودخانه پسیخان از کارایی موثری برخوردار است. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  55 - مدلسازی بارش-رواناب با استفاده از مدل یادگیر عمیق (مطالعه موردی: حوضه آبریز گالیکش)
  راضیه طاطار خلیل قربانی مهدی مفتاح هلقی میثم سالاری‌جزی
  شبکه‌های عصبی مصنوعی یکی از روش‌های داده‌کاوی است که توسط پژوهشگران زیادی در حوزه‌های مطالعاتی مختلفی همچون مدلسازی آماری بارش-رواناب استفاده می‌شود. جهت بهبود عملکرد این شبکه‌ها، شبکه‌های عصبی یادگیر عمیق توسعه یافته‌اند تا دقت مدلسازی را افزایش دهند. پژوهش حاضر به‌ من أکثر

  شبکه‌های عصبی مصنوعی یکی از روش‌های داده‌کاوی است که توسط پژوهشگران زیادی در حوزه‌های مطالعاتی مختلفی همچون مدلسازی آماری بارش-رواناب استفاده می‌شود. جهت بهبود عملکرد این شبکه‌ها، شبکه‌های عصبی یادگیر عمیق توسعه یافته‌اند تا دقت مدلسازی را افزایش دهند. پژوهش حاضر به‌ منظور ارزیابی شبکه‌های یادگیرعمیق در بهبود عملکرد شبکه‌های عصبی‌مصنوعی در حوضه آبریز گالیکش انجام شد تا بر اساس داده‌های بارش و دما با گام‌های تاخیر زمانی ۱ تا ۵ ماهه، دبی در مقیاس زمانی ۱، ۳، ۶ و ۱۲ ماهه پیش‌بینی شود. نتایج مدل‌سازی بر اساس ۷۰ درصد داده‌ها (آموزش) و ۳۰ درصد داده‌ها (آزمون) نشان داد که در تمامی دوره‌های زمانی، شبکه عصبی یادگیر عمیق باعث بهبود عملکرد شبکه عصبی مصنوعی شده است و بطور متوسط RMSE در داده‌های آموزش از ۶۸/۰ به ۶۵/۰ و درداده‌های آزمون از ۸۴/۰ به ۷۳/۰ کاهش یافته است و ضریب تعیین نیز بطور متوسط برای داده‌های آموزش از ۵۷/۰ به ۶۲/۰ و برای داده‌های آزمون از ۵۱/۰ به ۶۷/۰ افزایش یافته است. از دیگر نتایح این پژوهش نیز می‌توان به تاثیر دما بر افزایش دقت مدلسازی بارش- رواناب اشاره کرد. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  56 - کاربرد مدل هیبریدی شبکه‌های عصبی مصنوعی و الگوریتم کرم شب‌تاب برای پیش‌بینی مقدار جامدات محلول در آب رودخانه
  فرحناز سبزواری بهروز یعقوبی سعید شعبانلو
  10.30495/wsrcj.2023.71849.11356
  زمینه و هدف: برآورد و پیش بینی پارامتر های کیفی در کنار پارامتر های کمی آب در طول رودخانه یکـی از مولفـه‌ های ی است که در تصمیم‌گیری‌ های مدیریتی صحیح بایستی به‌دقـت شـبیه‌سـازی شـده و تخمین زده شود. اکثر مـدل های مربوط به برآورد پارامتر های کیفی نیازمند پارامتر های ور أکثر

  زمینه و هدف: برآورد و پیش بینی پارامتر های کیفی در کنار پارامتر های کمی آب در طول رودخانه یکـی از مولفـه‌ های ی است که در تصمیم‌گیری‌ های مدیریتی صحیح بایستی به‌دقـت شـبیه‌سـازی شـده و تخمین زده شود. اکثر مـدل های مربوط به برآورد پارامتر های کیفی نیازمند پارامتر های ورودی بسیار زیادی هستند که یـا دسترسـی بـه آن ها مشکل است و یا تعیین آن ها نیازمند صرف هزینه و زمان زیادی است. بنابراین استفاده از مدل‌ های داده‌محور در این زمینه برای صرفه‌جویی در زمان و هزینه گسترش یافت ها ست.روش پژوهش: در این مقاله کاربرد شبکه های عصبی مصنوعی و ترکیب آن با الگوریتم کرم شب تاب جهت پیش بینی مقدار جامدات محلول در آب (TDS) در رودخانه گاوه رود واقع در ایران کرمانشاه مورد آموزش و صحت سنجی قرار می گیرد. برای این منظور از داده های کیفیت آب ایستگاه هیدرو متری در بالادست سد مخزنی گاوشان برای بازه آماری (1389-1370) استفاده گردید. براساس ورودی های مختلف، شبکه عصبی مصنوعی پرسپترون چند لایه (MLP) و ترکیب آن با الگوریتم کرم شب تاب مورد آزمون قرار گرفت. بهترین الگوی ورودی ها ، تعداد لایه پن ها ن و تعداد نرون های هر لایه در شبکه عصبی مصنوعی مشخص گردید. داده های ورودی به مدل‌ ها شامل دبی (Q)، سدیم(Na)، منیزیم (Mg)، کلسیم (Ca)، سولفات (So4)، کلرید (Cl)، بی کربنات (Ho3)، هدایت الکتریکی (EC) و جامدات محلول رودخانه در بازه زمانی قبل (TDSt-1) و داده های خروجی جامدات محلول آب (TDS) می باشد. تعداد لایه‌ های پن ها ن برابر یک و تعداد نرون‌ های لایه پن ها ن برابر نه بدست آمد، همچنین تابع شبکه عصبی در این مطالعه نوع آبشاری در نظر گرفته شد و نتایج با روش ترکیب شبکه‌ های عصبی مصنوعی با الگوریتم کرم شب تاب مقایسه گردید.یافته‌ ها : باتوجه به این خروجی های مدل با داده های مشاهده شده با استفاده از معیار های برآورد خطا مقایسه شد؛ در این راستا مقادیرشاخص های ارزیابی خطا مورد استفاده شاخص مربعات خطا به انحراف معیار استاندارد مشاهداتی (RSR)، رابطه ناش ساتکلیف (NSC)، ضریب همبستگی (R) و ریشه میانگین مربعات خط (MSE) برای شبکه عصبی مصنوعی به ترتیب 154/0، 976/0، 989/0 و 27/25 و در حالت ترکیب شبکه عصبی با الگوریتم کرم شب تاب نیز به ترتیب 129/0، 983/0، 992/0 و 8/17 بدست آمد.نتایج: لذا عملکرد روش هیبریدی شبکه های عصبی مصنوعی با استفاده از الگوریتم کرم شب تاب در پیش بینی TDS مناسب‌تر از تکنیک شبکه های عصبی مصنوعی است. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  57 - مقایسه عملکرد مدل‌های داده‌کاوی در پیش‌بینی بارش باران با استفاده از رویکرد دسته‌بندی (مطالعه موردی: ایستگاه هواشناسی سینوپتیک فرودگاه همدان)
  مرتضی صالحی سربیژن حمید رضا دزفولیان
  10.30495/wsrcj.2024.75668.11411
  زمینه و هدف: بارندگی یکی از پدیده‌های پیچیده طبیعی و از مهم‌ترین اجزای چرخه آب بوده و در سنجش خصوصیات اقلیمی هر منطقه نقش بسیار مهمی ایفا می‌کند. شناخت میزان و روند تغییرات بارش به‌عنوان یکی از عناصر مهم هواشناسی، از یک‌سو جهت داشتن مدیریت اثربخش و برنامه‌ریزی دقیق‌تر ب أکثر

  زمینه و هدف: بارندگی یکی از پدیده‌های پیچیده طبیعی و از مهم‌ترین اجزای چرخه آب بوده و در سنجش خصوصیات اقلیمی هر منطقه نقش بسیار مهمی ایفا می‌کند. شناخت میزان و روند تغییرات بارش به‌عنوان یکی از عناصر مهم هواشناسی، از یک‌سو جهت داشتن مدیریت اثربخش و برنامه‌ریزی دقیق‌تر برای بخش‌های کشاورزی، اقتصادی و اجتماعی و از سوی دیگر برای مطالعاتی مانند رواناب‌ها، خشک‌سالی‌ها، وضعیت آب‌های زیرزمینی و سیلاب‌ها ضروری است. همچنین پیش‌بینی بارش در مناطق شهری تأثیر بسیار زیادی بر کنترل ترافیک، جریان فاضلاب‌ها و فعالیت‌های ساخت‌وساز دارد. روش پژوهش: هدف این مطالعه مقایسه دقت مدل‌های کلاس‌بندی درخت تصمیم (چاید (CHAID)، درخت تصمیم C5، نیو بیزین (NB)، کوئست (Quest) و جنگل تصادفی)، k نزدیک‌ترین همسایگی (KNN)، ماشین بردار پشتیبان (SVM) و شبکه عصبی مصنوعی (ANN) جهت پیش‌بینی وقوع بارش باران با استفاده از داده‌های یک دوره 50 ساله در ایستگاه سینوپتیک فرودگاه همدان است. در این مطالعه از 80 درصد داده‌ها جهت آموزش و از 20 درصد داده‌ها جهت صحت سنجی مدل‌ها استفاده‌شده و نتایج حاصل از اجرای مدل‌ها با استفاده از معیارهای ماتریس درهم‌ریختگی (اغتشاش)، منحنی ROC و شاخص AUC مقایسه شدند. برای ساخت متغیر کلاس‌بندی داده‌های بارش و عدم بارش، با توجه به داده‌های بارش، روزهای سال در دو کلاس روزهای وقوع بارش (y) و روزهای عدم وقوع بارش (n) دسته‌بندی شدند. در این تحقیق پیش‌پردازش داده‌ها با استفاده از پیش‌پردازش خودکار داده‌ها (ADP) انجام شده و آنگاه کاهش ابعاد متغیرها از روش PCA استفاده شد. یافته‌ها: در این مطالعه با توجه به روش PCA ابعاد متغیرها به 5 بعد کاهش یافت. همچنین از داده‌های موجود تقریباً 80 درصد، روزها بدون بارش و 20 درصد روزها با بارش هستند. نتایج تحقیق نشان داد که مدل KNN با معیار صحت 9/91 برای داده‌های آموزشی و مدل SVM، 13/89 درصد برای داده‌های آزمون بهترین عملکرد را بین مدل‌های داده‌کاوی داشتند. شاخص AUC مدل KNN برابر 97/0 در داده‌های آموزشی و در داده‌های آزمون مقدار 94/0 برای الگوریتم SVM به دست آمد. همچنین با توجه به منحنی عملکرد سیستم (ROC) برای داده‌های بارش همدان مدل KNN نسبت به سایر مدل‌ها عملکرد بهتری را دارا می‌باشد. توجه به شاخص حساسیت در ماتریس اغتشاش، مدل‌های KNN و SVM در پیش‌بینی عدم وقوع بارش برای داده‌های آموزش بهتر عمل کردند. با توجه به شاخص خاصیت در پیش‌بینی وقوع بارش مدل‌های RT و KNN نتایج بهتری داشتند. نتایج: نتایج تحقیق نشان داد که در داده‌های آموزش مقدار معیار صحت برای مدل‌های RT، C5، ANN، SVM، BN،KNN ، CHAID و QUEST به ترتیب 82/86، 78/89، 55/89، 96/89، 06/88، 9/91، 29/88 و 46/87 بدست آمده اند. همچنین این معیار در داده‌های آزمون برای این مدل‌ها به ترتیب 2/83، 9/87، 12/88، 13/89، 12/87، 19/88، 93/86 و 76/86 به دست آمد. مقدار شاخص AUC در داده‌های آموزش برای مدل‌های RT، C5، ANN، SVM، BN،KNN ، CHAID و QUEST به ترتیب 94/0، 92/0، 94/0، 94/0، 93/0، 97/0، 93/0 و 89/0 به دست آمد. همچنین این معیار در داده‌های آزمون برای این مدل‌ها به ترتیب 89/0، 89/0، 93/0، 94/0، 92/0، 90/0، 92/0 و 88/0 برآورد شد. همان‌طور که مشاهده شد، با توجه به معیارهای صحت و شاخص AUC در داده‌های آموزش مدل KNN و با توجه به داده‌های آزمون مدل SVM کارا تر در پیش‌بینی بارش باران بودند. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  58 - تخمین ضریب توزیع خاک-آب فلزات سنگین با کاربرد شبکه های عصبی مصنوعی
  امین فلامکی مهناز اسکندری
  آلودگی منابع آب و خاک یکی از چالش های مهم استفاده بهینه از این منابع در سرتاسر جهان است. ضریب توزیع (Kd) نه تنها یک پارامتر کاربردی در مدلسازی انتقال آلاینده ها در خاک است، بلکه در ارزیابی ریسک آلودگی منابع آب و خاک نیز کاربرد دارد. مدل های پارامتریک، معمول ترین روش کمی أکثر

  آلودگی منابع آب و خاک یکی از چالش های مهم استفاده بهینه از این منابع در سرتاسر جهان است. ضریب توزیع (Kd) نه تنها یک پارامتر کاربردی در مدلسازی انتقال آلاینده ها در خاک است، بلکه در ارزیابی ریسک آلودگی منابع آب و خاک نیز کاربرد دارد. مدل های پارامتریک، معمول ترین روش کمی برای تخمین Kd هستند. لیکن معمولاً ضریب همبستگی این مدل ها اندک است. درحالیکه مقدار تخمینی این پارامتر می تواند باعث اشتباه قابل توجه در پیش بینی مهاجرت آلاینده ها در آبخوان و یا انتخاب روش پایش محیط آلوده شود. هدف از این پژوهش، بررسی توانایی شبکه های عصبی مصنوعی در مدلسازی ضریب توزیع فلزات سنگین و بهبود دقت تخمین آن بود. بدین منظور، سه نوع شبکه عصبی پرسپترون چند لایه (MLP)، توابع پایه شعاعی (RBF) و شبکه های سلسله مراتبی (HN) و دو فلز سنگین کروم و کادمیوم، برای مدلسازی انتخاب شدند. ابتدا داده های جمع آوری شده به دو دسته آموزش و آزمون تفکیک شدند که یک دسته برای آموزش شبکه ها بکار رفت و با دسته دیگر دقت شبکه های تعمیم یافته ارزیابی شد. بهترین هندسه شبکه نیز با روش آزمون و خطا بدست آمد. نتایج مدلسازی برای فلز کروم نشان داد که هر دو شبکه MLP و RBF، بسیار توانمند عمل کرده اند و برتری نسبی در تخمین Kd با شبکه MLP بوده است. هرچند تعداد داده های کاربردی برای آموزش شبکه ها زیاد نبود (حداقل 9 و حداکثر 16 داده)، لیکن نتایج نشان داد که این تعداد کم برای مدلسازی کفایت می کند. این یافته گامی موثر در تخمین Kd است چراکه افزون بر زمان بر و هزینه بر بودن اندازه گیری مستقیم آن، در هر پروژه نیز معمولاً تعداد اندکی نمونه در اختیار است. نتایج مدلسازی تخمین Kd(Cd) با شبکه های عصبی مصنوعی نیز نشان دهنده برتری شبکه MLP در مدلسازی بود. این شبکه ها توانستند مقدار ضریب همبستگی بین مقادیر واقعی و پیش بینی شده را به طور قابل-توجهی افزایش دهند و از 37/0 در مدل پارامتریک برازش داده شده به داده ها، به 63/0 برسانند. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  59 - مدل‌سازی خصوصیات فیزیکوشیمیایی برش‌های بادمجان پوشش داده‌شده با صمغ دانه ریحان طی فرآیند سرخ‌کردن
  فخرالدین صالحی محمدامین اسدنهال
  مقدمه: محصولات غذایی سرخ‌شده با توجه به ویژگی‌های منحصربه‌فرد مانند رنگ، بو، طعم و بافت مطلوب بسیار مورد توجه می‌باشند. کنترل شرایط سرخ کردن و استفاده از پوشش‌های هیدروکلوئیدی خوراکی (صمغ‌ها) یکی از روش‌های مناسب برای کاهش جذب روغن، حفظ رطوبت و بهبود خصوصیات ظاهری مواد أکثر

  مقدمه: محصولات غذایی سرخ‌شده با توجه به ویژگی‌های منحصربه‌فرد مانند رنگ، بو، طعم و بافت مطلوب بسیار مورد توجه می‌باشند. کنترل شرایط سرخ کردن و استفاده از پوشش‌های هیدروکلوئیدی خوراکی (صمغ‌ها) یکی از روش‌های مناسب برای کاهش جذب روغن، حفظ رطوبت و بهبود خصوصیات ظاهری مواد غذایی سرخ‌شده است.مواد و روش‌ها: در این پژوهش از غلظت‌های مختلف صمغ دانه ریحان (0/0، 0.5، 1 و 1.5 درصد وزنی/وزنی) جهت پوشش‌دهی برش‌های بادمجان هنگام سرخ شدن عمیق در دماهای 150، 175 و 200 درجه سلسیوس استفاده گردید و رابطه بین پارامترهای فرآیند و خصوصیات محصول نهایی به روش الگوریتم ژنتیک- شبکه عصبی مصنوعی مدل‌سازی گردید.یافته‌ها: نتایج این پژوهش نشان داد که پوشش‌دهی با صمغ دانه ریحان باعث کاهش جذب روغن محصول نهایی شد. پیش تیمار پوشش‌دهی باعث حفظ رطوبت محصول نهایی شد و رطوبت نمونه پوشش داده‌شده با 5/1 درصد صمغ از سایر نمونه‌ها بیشتر بود (64.05%). این فرآیند توسط روش الگوریتم ژنتیک- شبکه عصبی مصنوعی با 2 ورودی شامل غلظت صمغ دانه ریحان و دمای سرخ‌کن و 5 خروجی شامل درصد روغن، مقدار رطوبت و سه شاخص اصلی رنگی (زردی (b*)، قرمزی (a*) و روشنایی (L*)) مدل‌سازی شد. نتایج مدل‌سازی نشان داد شبکه‌ای با تعداد 4 نرون در یک لایه پنهان و با استفاده از تابع فعال‌سازی تانژانت هیپربولیک می‌تواند خصوصیات فیزیکوشیمیایی برش‌های سرخ‌شده بادمجان را پیش‌بینی نماید.نتیجه‌گیری: پوشش حاوی 1.5 درصد صمغ دانه ریحان باعث حفظ رطوبت و کاهش جذب روغن توسط نمونه‌های سرخ‌شده گردید و این پوشش به‌عنوان پوشش خوراکی مناسب برای پوشش‌دهی برش‌های بادمجان قبل از فرآیند سرخ کردن، توصیه می‌شود. نتایج آزمون آنالیز حساسیت نشان داد که تغییر غلظت صمغ دانه ریحان بیشترین تأثیر را بر شاخص روشنایی و سپس بر روی مقدار روغن برش‌های بادمجان سرخ‌شده دارد. همچنین تغییر دمای سرخ‌کن نیز بیشترین تأثیر را بر شاخص روشنایی نمونه‌های سرخ‌شده داشت. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  60 - Oil Extraction from Pistacia Khinjuk - Experimental and Prediction by Computational Intelligence Models
  Y. Vasseghian Gh Zahedi M Ahmadi
  This study investigates the oil extraction from Pistacia Khinjuk by the application of enzyme.Artificial Neural Network (ANN) and Adaptive Neuro Fuzzy Inference System (ANFIS) were applied formodeling and prediction of oil extraction yield. 16 data points were collected أکثر

  This study investigates the oil extraction from Pistacia Khinjuk by the application of enzyme.Artificial Neural Network (ANN) and Adaptive Neuro Fuzzy Inference System (ANFIS) were applied formodeling and prediction of oil extraction yield. 16 data points were collected and the ANN was trained with onehidden layer using various numbers of neurons. A two-layered ANN provides the best results, using applicationof ten neurons in the hidden layer. Moreover, process optimization were carried out by using both methods topredict the best operating conditions which resulted in the maximum extraction yield of the Pistacia Khinjuk.The maximum extraction yield of Pistacia Khinjuk was estimated by ANN method to be 56.52% under theoperational conditions of temperature and enzyme concentration of 0.27, pH of 6, and the Ultrasonic time of 4.23h, while the optimum oil extraction yield by ANFIS method was 55.8% by applying the operationalcircumstances of enzyme concentration of 0.30, pH of 6.5, and the Ultrasonic time of 4.55 h. In addition, meansquared-error (MSE) and relative error methods were utilized to compare the predicted values of the oilextraction yield obtained for both models with the experimental data. The results of the comparisons revealed thesuperiority of ANN model as compared to ANFIS model. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  61 - A Comparative Study Concerning Linear and Nonlinear Models to Determine Sugar Content in Sugar Beet by Near Infrared Spectroscopy (NIR)
  S. Minaei H. Bagherpour M. Abdollahian Noghabi M.E. Khorasani Fardvani F. Forughimanesh
  This paper reports on the use of Artificial Neural Networks (ANN) and Partial Least Squareregression (PLS) combined with NIR spectroscopy (900-1700 nm) to design calibration models for thedetermination of sugar content in sugar beet. In this study a total of 80 samples أکثر

  This paper reports on the use of Artificial Neural Networks (ANN) and Partial Least Squareregression (PLS) combined with NIR spectroscopy (900-1700 nm) to design calibration models for thedetermination of sugar content in sugar beet. In this study a total of 80 samples were used as the calibration set,whereas 40 samples were used for prediction. Three pre-processing methods, including Multiplicative ScatterCorrection (MSC), first and second derivatives were applied to improve the predictive ability of the models.Models were developed using partial least squares and artificial neural networks as linear and nonlinear models,respectively. The correlation coefficient (R), sugar mean square error of prediction (RMSEP) and SDR were thefactors used for comparing these models. The results showed that NIR can be utilized as a rapid method todetermine soluble solid content (SSC), sugar content (SC) and the model developed by ANN gives bettercorrelation between predictions and measured values than PLS. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  62 - The Application of Neural Network Method for the Prediction of the Osmotic Factors of Crookneck Squash
  M. Mokhtarian H. Tavakolipour
  ABSTRACT: In this study the reliability of using response surface-neural network method to predict the osmotic dehydration properties of crookneck squash has been investigated. In order to carry out this project, the osmotic solution concentration, the osmotic solution أکثر

  ABSTRACT: In this study the reliability of using response surface-neural network method to predict the osmotic dehydration properties of crookneck squash has been investigated. In order to carry out this project, the osmotic solution concentration, the osmotic solution temperature and immersion time were chosen as inputs and solid gain and water loss were selected as outputs of the designed network. The results showed that the optimal points for the artificial neural network parameters such as the number of neurons, momentum coefficient, learning epoch and the rate to predict water loss and solid gain were 15.75, 0.90, 4999.98 and 0.55, respectively. The results also demonstrated that the model was able to forecast water loss and solid gain with R2 values equal to 0.967 and 0.890 where relative error values corresponding to each of these factors were estimated at 0.0205 and 0.0872, respectively تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  63 - پیش بینی نتایج اجرای راهبرد های کنترل آلودگی هوا با استفاده از مدل سازی مکانی شبکه عصبی برای کلان شهرتهران
  مهران قدوسی فریده عتابی جعفر نوری علیرضا قراگزلو
  10.22034/jest.2019.23618.3275
  زمینه و هدف : پیش بینی نتایج حاصل از اجرای خط مشی های راهبردی کنترل آلودگی هوا به عنوان نخستین و مهم ترین چالش شهرداری تهران مطرح می باشد. هدف اصلی این تحقیق بررسی روشی خاص برای ارزیابی نتایج حاصل از خط مشی های راهبردی کنترل کننده آلودگی هوا در کلان شهر تهران با استفاده أکثر

  زمینه و هدف : پیش بینی نتایج حاصل از اجرای خط مشی های راهبردی کنترل آلودگی هوا به عنوان نخستین و مهم ترین چالش شهرداری تهران مطرح می باشد. هدف اصلی این تحقیق بررسی روشی خاص برای ارزیابی نتایج حاصل از خط مشی های راهبردی کنترل کننده آلودگی هوا در کلان شهر تهران با استفاده از ابزارهای پشتیبان تصمیم گیری چند بعدی بوده است . روشبررسی : ابتدا مناسب ترین استراتژی های کنترل آلودگی هوا بر اساس شرایط و ساختارهای موجود در هر زون از سطح شهر انتخاب گردید و سپس طبق معیارهای برگزیده وزن دهی شدند . همچنین بر اساس پایش مکانی الگوهای شکل گیری آلودگی هوا در زمان گذشته و حال حاضر، و نیز تحلیل اثرات آن ها، نتایج حاصل از اجرای استراتژی های کنترل آلودگی هوا توسط مدل های شبکه عصبی مکانی شبیه سازی شدند . در گام بعدی متغیرهای سری های زمانی و عدم قطعیت جهت پیش بینی الگوهای قابل شکل گیری، میزان آلودگی هوا را شبیه سازی نموده و در نهایت نتایج استراتژی های کنترل آلودگی با استفاده از لایه های موضوعی مکانی مورد ارزیابی قرار گرفت. یافتهها : تعریف خوشه های نهایی استراتژی های کنترل کیفیت هوا، وزن دهی و رتبه بندی خط مشی های منتخب بر اساس معیارهای تعریف شده از نخستین یافته های این تحقیق بوده است. همچنین استحصال پهنه بندی های سری های زمانی بر اساس داده های جمع آوری شده در طی یک دوره چهار ساله و نیز شبیه سازی مدل های سناریو مبنا و لایه های اطلاعات مکانی خروجی آن ها از جمله دست آوردهای این مطالعه بوده است. در نهایت مدلسازی متغیرهای پیش بینی و تدوین نرم افزار کنترل کیفیت هوا و پیش بینی نتایج حاصل از اجرای استراتژی های کنترل آلودگی هوا ارائه گردید. نتایج نشان دهنده آن است که در صورت بهره گیری از مدل های شبکه عصبی مکانی، مدیران شهری قادر خواهند بود به صورت موثر نتایج حاصل از اجرای استراتژی های کنترلی را پیش بینی نمایند . بحث و نتیجه گیری : نتایج این مطالعه نشان داد کهتحلیهای مکان - زمان محور، پشتیبان فرایند ارزیابی و پیش بینی اثرات آلودگی بوده و با استفاده از آن ها می توان بهترین استراتژی های کنترل آلودگی را برای پهنه های متاثر از آلودگی هوا تعریف نمود. نتایج نهایی مدل های شبکه عصبی مکانی نشان می دهد که در صورت اجرای استراتژی های منتخب بر اساس سناریوهای تعریف شده، در "سناریو خوش بینانه" کیفیت هوا در تمامی پهنه های شهر تهران به صورت کامل و پایدار، سالم باقی مانده در حالی که در "سناریو شرایط متعارف" در صورت اجرای استراتژی های منتخب تا حدود 70 در صد از سطح آلودگی هوا در فصول پاییز و زمستان نسبت به شرایط عدم اجرای برنامه های کنترلی کاسته خواهد شد. دیاگرام نهایی فرایند صحت سنجی مدل نیز موید آن بود که الگوی سطح آلودگی پیش بینی شده توسط مدل در هر یک از پهنه های شهری از روند و تطابق مناسبی در مقایسه با الگوی میزان آلودگی حاصل از نتایج داده های میدانی برخوردار بود. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  64 - پیش بینی کمیت پسماند شهری با استفاده از مدل‌های هوشمند و آنالیز عدم قطعیت آن ها
  مریم عباسی ملیحه فلاح نژاد روح الله نوری مریم میرابی
  10.30495/jest.2020.11144
  زمینه و هدف: اولین قدم برای طراحی سیستم‌های مدیریت پسماند شهری، آگاهی کامل از کمیت پسماند تولیدی می باشد. پیش‌بینی کمیت تولید پسماند به دلیل تاثیر عوامل متنوع و خارج از کنترل، یکی از پیچیده‌ترین مسایل مهندسی می‌باشد. به همین خاطر، لزوم استفاده از مدل‌هایی که قابلیت مدل‌ أکثر

  زمینه و هدف: اولین قدم برای طراحی سیستم‌های مدیریت پسماند شهری، آگاهی کامل از کمیت پسماند تولیدی می باشد. پیش‌بینی کمیت تولید پسماند به دلیل تاثیر عوامل متنوع و خارج از کنترل، یکی از پیچیده‌ترین مسایل مهندسی می‌باشد. به همین خاطر، لزوم استفاده از مدل‌هایی که قابلیت مدل‌سازی پدیده‌های پیچیده را دارند، به خوبی روشن می‌باشد. هدف از این مطالعه، پیش بینی کمیت پسماند با استفاده از مدل های هوشمند، مقایسه عملکرد و آنالیز عدم قطعیت آن ها می باشدروش بررسی: در این مطالعه، شهر مشهد به عنوان مطالعه موردی انتخاب شد و از سری زمانی تولید پسماند در فاصله زمانی سال‌های 1380 تا 1390 برای پیش‌بینی هفتگی استفاده گردید. جهت مدل سازی از مدل های هوشمند شبکه عصبی، ماشین بردار پشتیبان، سیستم استنتاجی تطبیقی نروفازی و کا نزدیک ترین همسایه استفاده گردید. پس از بهینه سازی پارامترهای هر مدل، با استفاده از از شاخص های آماری، عملکرد مدل ها مورد مقایسه قرار گرفت. در نهایت، آنالیز عدم قطعیت نتایج مدل سازی با کمک روش مونت کارلو انجام گرفت.یافته ها: نتایج نشان داد که ضریب اطمینان (2R) مدل‌های شبکه عصبی، سیستم استنتاجی تطبیقی نروفازی، ماشین بردار پشتیبان و کا نزدیک‍ترین همسایه به ترتیب 67/0، 69/0، 72/0 و 64/0 می باشد. آنالیز عدم قطعیت نیز نتایج این مقایسه را تایید نمود و نشان داد مدل ماشین بردار پشتیبان در بین سایر مدل‌ها، عدم قطعیت کم‍تری داشته و نسبت به داده‌های ورودی کم‍ترین حساسیت را دارد.بحث و نتیجه گیری: مدل‌های هوشمند از توانایی رضایت‌بخشی برای پیش بینی کمی پسماند برخوردارند و در بین مدل‌های هوشمند مورد  مطالعه، مدل ماشین بردار پشتیبان بهترین نتایج را از خود نشان داد. همچنین، عدم قطعیت نتایج مدل ماشین بردار پشتیبان در بین سایر مدل‌ها، عدم قطعیت کم تری برخوردار بود. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  65 - ارزیابی و بهینه سازی سیستم جمع آوری و حمل پسماند شهر ارومیه با ترکیب روش سطح پاسخ و شبکه عصبی مصنوعی
  سعید جعفرزاده قوشچی شبنم حمیدی مقدم
  10.22034/jest.2020.27028.3603
  زمینه و هدف : بهینه سازی سیستم جمع آوری و حمل مواد زاید شهری بیش ترین سهم هزینه های مدیریت مواد زاید را از آن خود کرده است. بنابراین بهبود این سیستم و کاهش هزینه های عملیاتی آن به عنوان یک ضرورت در مدیریت پسماند شهری همواره مورد توجه قرار گرفته است. روش بررسی: به موجب ب أکثر

  زمینه و هدف : بهینه سازی سیستم جمع آوری و حمل مواد زاید شهری بیش ترین سهم هزینه های مدیریت مواد زاید را از آن خود کرده است. بنابراین بهبود این سیستم و کاهش هزینه های عملیاتی آن به عنوان یک ضرورت در مدیریت پسماند شهری همواره مورد توجه قرار گرفته است. روش بررسی: به موجب بالا بودن نوسان، تغییر در اندازه پسماند ها، تغییرات آب و هوایی و بافت های جمعیتی و زیر ساختی استفاده از سیستم شبکه عصبی مصنوعی (ANN)یک روش مناسب برای پیش بینی اندازه پسماند تولیدی می باشد و از طرفی برای بهینه سازی سیستم مدیریتی این پسماندها نیز از روش سطح پاسخ (RSM) استفاده می گردد. یافته ها: نتایج حاصل از این روش ترکیبی نشان می دهد که بهترین ترکیب از عوامل تاثیرگذار در سیستم حمل زباله شهری توسط RSM با در نظر گرفتن بیش ترین بار حمل شده با حدود 26 کارگر، 10 وانت و 6 کامیون پیشنهاد شد. این ترکیب قادر به حمل بار حدود 34836 تن با هزینه 596696000 ریال می باشد، که نسبت به مقادیر واقعی کارایی بالایی را نشان می دهد. همچنین برای پیش بینی بار حمل شده الگوریتمپس انتشار (BP)با 9 نرون در لایه پنهان به عنوان بهترین مدل با قدرت پیش بینی 19/99% در پیش بینی وزن و 62/96% در پیش بینی هزینه انتخاب شد. بحث و نتیجه گیری: نتایج نشان داد که با استفاده از ترکیب دو روش سطح پاسخ به عنوان یک روش آماری و شبکه عصبی مصنوعی به عنوان یک روش ریاضی می توان به نتایج مناسبی برای ارزیابی و بهینه سازی سیستم جمع آوری و حمل پسماند رسید. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  66 - ارزیابی میزان برآورد رسوب با بهره گیری از روش منحنی سنجه ومقایسه نتایج با روش های رگرسیونی و شبکه عصبی مصنوعی (مطالعه موردی :رودخانه بابل رود-استان مازندران)
  علیرضا مردوخ پور حسین جاماسبی امید علیپور
  10.22034/jest.2018.22430.3152
  زمینه و هدف: در تحقیق حاضر، هدف مقایسه تخمین بار رسوب معلق رودخانه بابلرود با استفاده از شبکه عصبی مصنوعی ، روش منحنی سنجه، و روش رگرسیون می باشد. روش بررسی: ورودی های مدل شامل دبی و خروجی مدل غلظت رسوب در گام زمانی بوده است. ورودی و خروجی رودخانه در دوره (1392-1359) دا أکثر

  زمینه و هدف: در تحقیق حاضر، هدف مقایسه تخمین بار رسوب معلق رودخانه بابلرود با استفاده از شبکه عصبی مصنوعی ، روش منحنی سنجه، و روش رگرسیون می باشد. روش بررسی: ورودی های مدل شامل دبی و خروجی مدل غلظت رسوب در گام زمانی بوده است. ورودی و خروجی رودخانه در دوره (1392-1359) دارای روند مثبت بوده و 75 درصد داده ها جهت آموزش و 25 درصد داده ها جهت آزمون شبکه مورد استفاده قرار گرفت. برای آموزش شبکه ابتدا تعدادی از داده ها که معرف شرایط مساله باشد را برای آموزش انتخاب کرده و بقیه داده ها جهت آزمون عملکرد شبکه آموزش دیده،به کار می رود. یافته ها: نتایج بدست آمده نشان می دهند که غلظت بار معلق رسوب حاصل از مدل های شبکه عصبی مصنوعی به داده های واقعی غلظت رسوب نزدیک تر هستند و ضریب همبستگی حاصل از شبکه عصبی مصنوعی معادل8/92 درصد می باشد. این در حالی است که ضریب همبستگی برای مدل های منحنی سنجه معادل1/87 درصد و روش رگرسیون آماری حداکثر معادل 90 درصدمی باشد. بحث و نتیجه گیری: سیستم شبکه عصبی مصنوعی نتایج و کارایی بهتری در پیش بینی بار معلق رسوب دارد و کارایی و انعطاف پذیری مدل شبکه عصبی مصنوعی در پیش بینی میزان رسوبات معلق رودخانه نسبت به مدل های آماری و منحنی سنجه نشان داده شده است. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  67 - ارزیابی قابلیت روش تجزیه متعامد سره جهت تعیین ورودی به مدل شبکه عصبی برای پیش‌بینی جریان ماهانه ورودی به سد علویان
  صابر معظمی روح اله نوری محمدرضا وصالی ناصح عباس اکبرزاده
  10.22034/jest.2019.21920.3101
  زمینه و هدف: سدها به عنوان یکی از اساسی‌ترین منابع تامین آب شرب، کشاورزی، برق‌آبی و صنعتی از نقش مهمی در توسعه جوامع انسانی و محیط‌زیست اطراف خود برخوردارند. بنابراین با توجه به نقش اساسی سدها در پویایی محیط اطراف خود، برآورد جریان ورودی به آن‌ها از اهمیت ویژه‌ای برخورد أکثر

  زمینه و هدف: سدها به عنوان یکی از اساسی‌ترین منابع تامین آب شرب، کشاورزی، برق‌آبی و صنعتی از نقش مهمی در توسعه جوامع انسانی و محیط‌زیست اطراف خود برخوردارند. بنابراین با توجه به نقش اساسی سدها در پویایی محیط اطراف خود، برآورد جریان ورودی به آن‌ها از اهمیت ویژه‌ای برخوردار بوده و از ابزارهای مهم و مؤثر در مدیریت بهینه کمی و کیفی منابع آب است. روش بررسی: در این تحقیق سعی شده تا با استفاده از مدل هوش مصنوعی شبکه عصبی مصنوعی (ANN) اقدام به مدل‌سازی جریان ماهانه رودخانه صوفی‌چای، ورودی به سد علویان، گردد. همچنین به منظور بهبود عملکرد مدل‌ مذکور و با توجه به اطلاعات زیاد ورودی به این مدل، از روش تجزیه متعامد سره (POD) به منظور تعیین بهترین الگوی ورودی به مدل ANN استفاده گردید. در نهایت نیز عملکرد دو مدل ANN و مدل ترکیبی POD-ANN بر پایه آماره‌های ضریب تعیین (R2)، میانگین خطای مطلق (MAE) و میانگین قدرمطلق خطای نسبی (AARE) مورد ارزیابی قرار گرفت. یافته‌ها: نتایج این تحقیق مشخص نمود که اگرچه مقادیر پیش‌بینی شده دبی ورودی به مخزن سد توسط مدل ANN نزدیک به مقادیر مشاهده‌ای هستند اما عملکرد آن در نقاط با دبی بالا با خطای قابل توجهی همراه است. همچنین یافته‌های این تحقیق حاکی از عملکرد بهتر مدل POD-ANN نسبت به مدل ANN در نقاط با دبی بالا بود. در حالت کلی نتایج به دست آمده از مدل POD-ANN اجرا شده مشخص نمود که مقدار آماره‌های R2، MAE و AARE مدل در هر دو مرحله واسنجی و صحت‌سنجی بهبود قابل توجهی نسبت به مقادیر مشابه در مدل ANN داشته‌اند. مقدار آماره‌های R2، MAE و AARE در مرحله صحت‌سنجی POD-ANN به ترتیب معادل 93/0، 79/0 و 54/0 بود. بحث و نتیجه‌گیری: عملکرد بهتر مدل POD-ANN در دبی با مقادیر بالا نسبت به مدل ANN می‌تواند به دلیل عمل پیش‌پردازش بر روی متغیرهای ورودی و کاهش تعداد آن‌ها در مدل POD-ANN در مقایسه با مدل ANN باشد. بنابراین می‌توان نتیجه‌گیری نمود که عمل پیش‌پردازش بر روی متغیرهای ورودی به مدل ANN و کاهش تعداد متغیرهای ورودی به این مدل همراه با بهبود عملکرد آن بوده است. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  68 - حذف کدورت از آب با استفاده از گرافن اکساید به‌عنوان ماده منعقدکننده و مدل‌سازی با شبکه عصبی مصنوعی
  نازیلا رضانیا مریم حسنی زنوزی مطهره سعادتپور
  10.30495/jest.2020.48158.4851
  زمینه و هدف: در سال های اخیر، کاربردهای نانومواد با پایه کربنی در عرصه های مختلف نظیر صنعت آب و فاضلاب توسعه یافته است. یکی از این ترکیبات، گرافن اکساید (GO) است که به دلیل دارا بودن ساختار ورقه ای با سطح ویژه بالا و گروه های سطحی متنوع، توجه زیادی را به خود جلب نموده ا أکثر

  زمینه و هدف: در سال های اخیر، کاربردهای نانومواد با پایه کربنی در عرصه های مختلف نظیر صنعت آب و فاضلاب توسعه یافته است. یکی از این ترکیبات، گرافن اکساید (GO) است که به دلیل دارا بودن ساختار ورقه ای با سطح ویژه بالا و گروه های سطحی متنوع، توجه زیادی را به خود جلب نموده است. در این راستا، هدف اصلی از انجام پژوهش حاضر، بررسی ویژگی های انعقادی گرافن اکساید در حذف کدورت از آب و مدل سازی فرایند با استفاده از شبکه عصبی مصنوعی (ANN) می باشد.روش بررسی: نمونه های کدورت با استفاده از خاک باغچه و آب شهری تهیه و نمونه GO به صورت سوسپانسیون غلیظ خریداری گردید. آزمایش های جارتست برای بررسی تاثیر pH، غلظت GO، کدورت اولیه، زمان ته نشینی و سایر پارامترها بر بازدهی حذف کدورت، انجام شد. به منظور شبیه سازی فرایند، از شبکه عصبی مصنوعی پرسپترون استفاده شد.یافته ها: تحت شرایط pH اسیدی و نیز با افزایش غلظت GO از 5/2 تا40 میلی گرم بر لیتر، بازدهی حذف کدورت افزایش یافت. اما تغییرات کدورت اولیه اثر مشخص و مستقلی بر بازدهی فرایند نداشت. بخش عمده حذف کدورت در 10 دقیقه ابتدای ته نشینی رخ داد و سرعت ته نشینی لخته ها با افزایش غلظت GO و کاهش pH به شدت افزایش یافت. در مدل‌سازی با ANN، مقادیر ضریب تعیین (R2) و ضریب همبستگی (R) میان مقادیر واقعی و مقادیر پیش بینی شده حذف کدورت برای داده های آزمون به ترتیب برابر با 9492/0 و 9740/0 به دست آمد که نشان دهنده کارایی خوب مدل بود.بحث و نتیجه گیری: نانو ماده گرافن اکساید کارایی بالایی در حذف کدورت از آب نشان داد. پارامترهای pH و غلظت منعقدکننده، به عنوان مهمترین پارامترهای کنترل کننده فرآیند تشخیص داده شد. مدل داده کاوی شبکه عصبی از عملکرد خوبی برای پیش بینی بازدهی حذف کدورت با استفاده از گرافن اکساید برخوردار بود. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  69 - مدل سازی پیشی بینی میزان رسوب رودخانه قلعه رودخان با استفاده از شبکه عصبی LSTM
  محبوبه شادابی بجند ابراهیم امیری
  10.30495/jest.2022.54871.5157
  زمینه و هدف: برآورد مناسب از میزان رسوب جاری شده در رودخانهها به عنوان مبنای داده¬ای برای بسیاری از طرحها و فرآیندهای مهندسی رودخانه دارای اهمیت است. رودخانه قلعه رودخان یکی از حوزه¬های آبی بسیار مهم در غرب استان گیلان می باشد. رودخانه قلعه رودخان از دو شاخه (حیدرآلات) أکثر

  زمینه و هدف: برآورد مناسب از میزان رسوب جاری شده در رودخانهها به عنوان مبنای داده¬ای برای بسیاری از طرحها و فرآیندهای مهندسی رودخانه دارای اهمیت است. رودخانه قلعه رودخان یکی از حوزه¬های آبی بسیار مهم در غرب استان گیلان می باشد. رودخانه قلعه رودخان از دو شاخه (حیدرآلات) و (نظر آلات) تشکیل شده است. از همین رو، هدف از انجام این پژوهش، مدل-سازی پیشی بینی میزان رسوب رودخانه قلعه رودخان با استفاده از شبکه عصبی حافظه طولانی کوتاه مدت (LSTM) است. روش بررسی: در این تحقیق از آمار دبی ـ رسوب ثبت شده مربوط به دوره آماری سال 1381 تا 1395 استفاده شده است. این آمار شامل دبی لحظه ای روزانه به مترمکعب بر ثانیه و رسوب روزانه لحظه ای به تن در روز است که همزمان اندازه گیری شده اند. متغیرهای تحت بررسی در مدلسازی پیش بینی مستلزم ايجاد يک شبکه عصبي مصنوعي، وجود يک سري داده، به منظور مدلسازي در اين شبکه مي باشد. یافته ها: دقت پیش بینی های انجام شده با سه معیار خطا بررسی شد. سه معیار مورد بررسی به ترتیب AFE، FFE و n-AFE هستند. بحث و نتیجهگیری: نتایج به دست آمده نشان داد که از میان معیارهای مورد بررسی معیار FFE همبستگی میان خروجی مدل و داده¬های اندازه¬گیری شده رسوب مناسب می باشد. در نتیجه مدل LSTM دارای دقت مناسب برای پیش بینی مقدار رسوب دو رودخانه قلعه رودخان می باشد. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  70 - بررسی دقت شبکه پرسپترون چندلایه و تابع پایه شعاعی در برآورد میزان رسوب رودخانه (مطالعه موردی: زاینده رود)
  رامتین صبح خیز فومنی علیرضا مردوخ پور
  10.22034/jest.2021.56444.5208
  زمینه و هدف: تخمین میزان رسوب به وسیله رودخانه یکی از مسائلی هست که مورد توجه محققان بسیاری از گذشته تاکنون قرار گرفته است. کاهش ظرفیت مخزن سد به وسیله رسوبات، اثرات مختلفی بر روی بخشهای مختلف گذاشته و سبب اثرات نامطلوب در حقابه هایی می شود که در بدو امر مورد توافق قرار أکثر

  زمینه و هدف: تخمین میزان رسوب به وسیله رودخانه یکی از مسائلی هست که مورد توجه محققان بسیاری از گذشته تاکنون قرار گرفته است. کاهش ظرفیت مخزن سد به وسیله رسوبات، اثرات مختلفی بر روی بخشهای مختلف گذاشته و سبب اثرات نامطلوب در حقابه هایی می شود که در بدو امر مورد توافق قرار گرفته اند که عواقب اقتصادی و خاص خود را خواهد دارد. هدف از این تحقیق بررسی میزان رسوب رودخانه با توجه به الگوریتم های شبکه عصبی و با استفاده از فرمول های تجربی موجود و همچنین روش های جدید موسوم به جعبه ی سیاه می باشد. روش و بررسی: به منظور تخمین میزان رسوب از اطلاعات دبی سال های 1349 تا 1390 مربوط به رودخانه زاینده رود در ایستگاه اسکندری که یکی از ایستگاههای اندازه گیری های هیدرولوژیکی میباشد استفاده شده است. بدین منظور از دبی آب به عنوان ورودی و دبی رسوب به عنوان خروجی استفاده شده است. یافته ها: از نتایج به دست آمده، این گونه استنباط می شود که شبکه RBF به دلیل داشتن خطای کمتر در مرحله آزمون دارای عملکرد بهتری است، اما با در نظر گرفتن سایر پارامترها و همچنین میزان خطا در مرحله ی TRAIN به نظر می رسد شبکه MLP دارای عملکرد بهتری است. بحث و نتیجه گیری: در نهایت بعد از مدل سازی با استفاده از شبکه های عصبی و رابطه انیشتین و منحنی سنجه رسوب، این نتیجه بدست آمده است که برای تخمین میزان رسوب می توان به شبکه های عصبی اعتماد بیشتری داشت. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  71 - کاربرد شبکه عصبی GMDH و الگوریتم ژنتیک در مدل سازی درصد متان موجود در گاز مراکز دفن زباله
  محمد جواد ذوقی محمد غمگسار مسلم گنجی سعید فلاحی
  10.22034/jest.2016.9534
  زمینه و هدف : در این مطالعه از شبکه عصبی GMDH بر اساس الگوریتم ژنتیک جهت پیش بینی درصد متان موجود در گاز دفن گاه زباله در مقیاس آزمایشگاهی، استفاده شده است. جهت تخمین درصد متان موجود در گاز مرکز دفن به وسیله شبکه عصبی GMDH، از مشخصات فاضلاب به عنوان داده های ورودی و از أکثر

  زمینه و هدف : در این مطالعه از شبکه عصبی GMDH بر اساس الگوریتم ژنتیک جهت پیش بینی درصد متان موجود در گاز دفن گاه زباله در مقیاس آزمایشگاهی، استفاده شده است. جهت تخمین درصد متان موجود در گاز مرکز دفن به وسیله شبکه عصبی GMDH، از مشخصات فاضلاب به عنوان داده های ورودی و از درصد متان موجود در بیوگاز به عنوان داده خروجی استفاده شده است. پارامترهای ورودی جهت پیش بینی میزان متان موجود در بیوگاز شامل دما، رطوبت، pH، COD و آمونیوم می باشد. روش بررسی: راکتورهای شبیه ساز مرکز دفن زباله که در این مطالعه از آن ها استفاده شده، در دو سیستم متفاوت عمل می کنند. سیستم یک(C1)، فقط شامل راکتور حاوی زباله تازه است، در این سیستم فاضلاب پس از تولید بر روی زباله تازه بازگردانده می شود. سیستم دو(C2)، شامل راکتور حاوی زباله تازه و راکتوری حاوی زباله خوب تجزیه شده است. در این سیستم، فاضلاب پس از خروج از زباله تازه، برروی راکتور حاوی زباله خوب تجزیه شده تخلیه و سپس بر روی زباله تازه بازگردانده می شود. در دو سیستم، پارامترهای کیفی فاضلاب و درصد متان موجود در بیوگاز راکتورها به مدت 132 روز پایش شده است. یافته ها: نتایج مطالعه نشان می دهد، شبکه عصبی GMDH در پیش بینی درصد متان موجود در بیوگاز دارای عملکرد بالایی می باشد به طوری که ضریب همبستگی در داده های آموزش و تست به ترتیب برابر 98/0 و 99/0 برآورد می گردد. بحث و نتیجه گیری: با توجه به کارائی بالای شبکه عصبی GMDH در پیش بینی درصد متان موجود در بیوگاز، می توان از این مدل جهت طراحی بهینه سیستم های جمع آوری و تصیه گاز مراکز دفن زباله، و همچنین برای حصول اطمینان از نتایج پایش و کاهش هزینه پایش استفاده کرد. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  72 - مقایسه روش های شبکه عصبی بیزین و شبکه عصبی مصنوعی در تخمین رسوبات معلق رودخانه ها (مطالعه موردی: سیمینه رود)
  محمد علی قربانی رضا دهقانی
  10.22034/jest.2017.10622
  زمینه و هدف: شبیه سازی و ارزیابی آورد رسوب رودخانه از جمله مسایل مهم در مدیریت منابع آب می باشد. اندازه گیری مقدار رسوب به روش های متداول عموماً مستلزم صرف وقت و هزینه زیادی بوده و گاهی از دقت کافی نیز برخوردار نمی باشد. روش بررسی: در این پژوهش تخمین رسوب رودخانه سیمین أکثر

  زمینه و هدف: شبیه سازی و ارزیابی آورد رسوب رودخانه از جمله مسایل مهم در مدیریت منابع آب می باشد. اندازه گیری مقدار رسوب به روش های متداول عموماً مستلزم صرف وقت و هزینه زیادی بوده و گاهی از دقت کافی نیز برخوردار نمی باشد. روش بررسی: در این پژوهش تخمین رسوب رودخانه سیمینه رود واقع در استان آذربایجان غربی، با استفاده از شبکه عصبی بیـزین مورد بررسی قرار گرفته و نتایج آن با روش های مرسـوم هوشمند همچـون شبکه عصبـی مصنوعی مقایسه گردید. پارامتر دبی، دما و میزان مواد جامد محلول در آب به عنوان ورودی و دبی رسوب به عنوان خروجی مدل در مقیاس زمانی ماهانه طی دوره آماری (1383-1354) انتخاب گردید. معیارهای ضریب همبستگی، ریشه میانگین مربعات خطا، ضریب نش ساتکلیف و ضریب بایاس برای ارزیابی و نیز مقایسه عملکرد روش ها مورد استفاده قرار گرفت. یافته ها: نتایج حاصله نشان داد ساختار ترکیبی توانسته با استفاده از سه روش هوشمند مورد بررسی، در تخمین میـزان رسوب نتایج قابل قبولی ارایه نماید. لیکن از لحاظ دقت، مدل شبکه عصبی بیزین با بیش ترین ضریب همبستگی (832/0)، کم ترین ریشه میانگین مربعات خطا (ton/day071/0) و نیز معیار نش ساتکلیف(692/0) و مقدار بایاس(0001/0) در مرحله صحت سنجی در اولویت قرار گرفت. بحث و نتیجه گیری:در مجموع نتایج نشان داد که مدل شبکه عصبی بیزین توانایی بالایی در تخمین مقادیر کمینه و بیشینه از خود نشان داده است. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  73 - تخمین پارامترهای کیفی آب‌خوان دشت گیلان با استفاده از آزمون گاما و مدل-های ماشین بردار پشتیبان و شبکه عصبی مصنوعی
  محمد عیسی زاده سید مصطفی بی آزار افشین اشرف زاده رضوان خانجانی
  10.22034/jest.2019.13946
  زمینه و هدف: اطلاع از نحوه توزیع پارامترهای کیفی و کمی از مهم ترین پارامترهای اولیه مدیریت جامع منابع آب زیرزمینی می باشد. بنابراین در این تحقیق سعی گردید، مدل و ترکیب ورودی مناسب جهت تخمین پارامترهای کیفی هدایت الکتریکی (EC)، یون کلسیم (Ca) و یون سدیم (Na) آب خوان های أکثر

  زمینه و هدف: اطلاع از نحوه توزیع پارامترهای کیفی و کمی از مهم ترین پارامترهای اولیه مدیریت جامع منابع آب زیرزمینی می باشد. بنابراین در این تحقیق سعی گردید، مدل و ترکیب ورودی مناسب جهت تخمین پارامترهای کیفی هدایت الکتریکی (EC)، یون کلسیم (Ca) و یون سدیم (Na) آب خوان های دشت گیلان تعیین گردد. روش بررسی: در این تحقیق از داده های 132 چاهک مشاهداتی در دوره آماری 1381 تا 1393 و مدل های شبکه عصبی مصنوعی (ANN) و ماشین بردار پشتیبان (SVM) استفاده گردیده است. در رویکرد اول، تخمین ها به ازای پنج ترکیب مختلف حاصل از پارامترهای تراز آب، فاصله از دریا، مجموع بارش های شش ماه و مختصات چاهک های مشاهداتی انجام گرفته است. در رویکرد دوم، تخمین ها براساس ترکیب پارامترهای کیفی منتخب آزمون گاما با ترکیب های ورودی برتر بخش اول صورت گرفته است. یافته‌ها: مقایسه نتایج بخش اول نشان داد که مدل SVM در تخمین هر یک از پارامترهای Ca، Na و EC عملکرد بهتری نسبت به مدل ANN داشته است. مقادیر خطای ماشین بردار پشتیبان برای تخمین متغیرهای Ca، Na و EC در دوره تست به ترتیب برابر با (meq/l) 218/1، (meq/l) 867/0 و (µmos/cm) 742/175 بوده است و این مقادیر برای مدل شبکه عصبی مصنوعی به ترتیب برابر با (meq/l) 268/1، (meq/l) 933/0 و (µmos/cm) 448/186 می باشد. نتایج این بخش نشان داد اضافه شدن ورودی فاصله از دریا در کلیه موارد باعث بهبود نتایج مدل ها گردیده است. در بخش دوم با استفاده از آزمون گاما از بین نه پارامتر کیفی اندازه گیری شده ، بهترین ترکیب پارامترهای کیفی برای تخمین هر یک سه پارامتر Ca، Na و EC تعیین گردید. نتایج تخمین ها در بخش دوم نشان داد که هر یک از دو مدل ANN و SVM عملکرد بسیار مناسبی در تخمین هر سه پارامتر کیفی داشته اند. مقدار خطای مدل ANN برای متغیرهای Ca، Na و EC در دوره صحت سنجی به ترتیب برابر با (meq/l) 662/0، (meq/l) 305/0 و (µmos/cm) 346/47 بوده است و این مقادیر برای مدل SVM به ترتیب برابر با (meq/l) 671/0، (meq/l) 356/0 و (µmos/cm) 412/55 می باشد. البته در این بخش نتایج مدل ANN نسبت به مدل SVM بهتر بوده است. بحث و نتیجه‌گیری: نتایج نشان داد که هر یک از دو مدل SVM و ANN توانایی بسیار زیادی در تخمین پارامترهای کیفی آب خوان ها دارند. همچنین عملکرد مدل SVM نسبت به مدل ANN، به ازای تعداد ورودی کمتر بهتر است و در تعداد ورودی بیشتر برعکس می باشد. نتایج بخش دوم نشان داد که آزمون گاما می تواند به صورت کاملا کابردی و دقیق در تعیین ترکیب های ورودی موثر مورد استفاده قرار گیرد. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  74 - پیش‌بینی غلظت آلاینده منوکسیدکربن در کلان‌شهر تهران با استفاده از شبکه‌های عصبی مصنوعی
  حمیدرضا جدی رحیم ‌علی عباسپور مینا خالصیان سیدکاظم علوی‌پناه
  زمینه و هدف:. راهکارهای متعددی برای کنترل آلودگی هوا وجود دارد که یکی از آن‌ها پیش بینی میزان آن است. هدف از این تحقیق ارایه یک مدل شبکه عصبی مصنوعی با ساختار چندلایه، برای آلاینده CO در شهر تهران برای پیش بینی 24ساعت آینده آن می باشد. روش بررسی: از مشخصه های سرعت باد، أکثر

  زمینه و هدف:. راهکارهای متعددی برای کنترل آلودگی هوا وجود دارد که یکی از آن‌ها پیش بینی میزان آن است. هدف از این تحقیق ارایه یک مدل شبکه عصبی مصنوعی با ساختار چندلایه، برای آلاینده CO در شهر تهران برای پیش بینی 24ساعت آینده آن می باشد. روش بررسی: از مشخصه های سرعت باد، جهت باد، دما، رطوبت نسبی و فشار هوا به عنوان داده های هواشناسی و از غلظت منوکسیدکربن به عنوان پارامتر آلودگی هوا به منظور پیش بینی مقدار آلایندهCO در روز آتی (24 ساعت آینده) استفاده شد. جهت حذف نویز داده ها، در مرحله پیش پردازش داده ها، از دو روش تبدیل موجک و تعیین حد آستانه به کمک توزیع نرمال استفاده گردید. یافته‌ها: نتایج حاصل از شاخص های آماری ضریب همبستگی، شاخص توافق، دقت پیش بینی و جذر میانگین مربعات خطا برای مدل1 با داده های تکراری به ترتیب 9012/0، 915/0، 848/0 و 1012/0 و برای مدل2 با داده های تکراری به ترتیب9572/0، 978/0، 963/0 و 0385/0 می باشد. نتیجه گیری: نتایج حاصل نشان می دهد توافق خوبی بین داده های اصلی و داده های پیش بینی شده توسط مدل ها وجود دارد و مدل های ارایه شده در پیش بینی آلودگی هوا از قابلیت بالایی برخوردارند. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  75 - کاربرد شبکه های عصبی مصنوعی و GIS در تخمین پارامترهای موثر در تعیین الگوی کشت (مطالعه موردی : شهرستان نهاوند)
  حسین بانژاد حمید محب زاده احسان علیائی
  چکیده یکی از مهم ترین مسایل پیش روی کشاورزی فاریاب، تدوین الگوی کشت بهینه می باشد. در این راستا تخمین پارامترهای موثر بر کمیت و کیفیت آب قابل دسترس به عنوان یکی از مولفه های حایز اهمیت در اتخاذ تصمیمات مدیریتی در پیشرفت و توسعه کشاورزی پایدار امری ضروری است. در این مط أکثر

  چکیده یکی از مهم ترین مسایل پیش روی کشاورزی فاریاب، تدوین الگوی کشت بهینه می باشد. در این راستا تخمین پارامترهای موثر بر کمیت و کیفیت آب قابل دسترس به عنوان یکی از مولفه های حایز اهمیت در اتخاذ تصمیمات مدیریتی در پیشرفت و توسعه کشاورزی پایدار امری ضروری است. در این مطالعه از تکنیک شبکه های عصبی مصنوعی برای تخمین سطح آب چاه های پیزومتری و همچنین عوامل موثر بر کیفیت آب (EC , SAR) مورد استفاده برای کشاورزی بهره گرفته شده است. بدین منظور از داده های ماهانه برداشت شده سطح آب چاه های پیزومتری در طی 7 سال و داده های مربوط به کیفیت آب در طول 4 سال در دشت نهاوند استفاده شد. همچنین تراز سطح آب زیر زمینی شهرستان نهاوند در سال86-1385با استفاده از سامانه اطلاعات مکانی ترسیم شد. کارایی مدل توسط معیارهای آماری شامل ضریب تعیین (R2) ، ریشة مربع میانگین خطا(RMSE) و میانگین قدرمطلق خطا (MAE) مورد ارزیابی قرار گرفت. نتایج برآمده نشان داد که ضریب R2برای تخمین سطح آب چاه های پیزومتری برابر 98/0 و برای SARو EC به ترتیب برابر با 991/0 و 990/0 بودند. نتایج فوق بیانگر توانایی مناسب شبکه های عصبی مصنوعی به عنوان تکنیکی برتر برای شبیه سازی پارامترهای کمی وکیفی موثر در تعیین الگوی کشت بود. همچنین نتایج حاصل از ترسیم مکانی سطح آب زیرزمینی توسط سامانه اطلاعات جغرافیایی حاکی از کمبود منابع آب های زیر سطحی در این منطقه بود . تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  76 - ارزیابی مدل‌های هوشمند در تخمین هدایت الکتریکی آب‌های زیرزمینی (مطالعه موردی: دشت مازندران)
  عیسی حزباوی رضا دهقانی
  10.22034/jest.2018.13753
  چکیده زمینه و هدف: منابع آب زیرزمینی در کنار آب‌های سطحی تأمین‌کننده نیاز بخش‌های شهری، صنعت و کشاورزی است که علاوه بر کمیت، کیفیت آن‌ها نیز باید بررسی شود. شورییکی از مهم‌ترین پارامترهایی است که برای ارزیابی کیفیت آب‌های زیرزمینی در نظر گرفته می‌شود. روش بررسی: در ا أکثر

  چکیده زمینه و هدف: منابع آب زیرزمینی در کنار آب‌های سطحی تأمین‌کننده نیاز بخش‌های شهری، صنعت و کشاورزی است که علاوه بر کمیت، کیفیت آن‌ها نیز باید بررسی شود. شورییکی از مهم‌ترین پارامترهایی است که برای ارزیابی کیفیت آب‌های زیرزمینی در نظر گرفته می‌شود. روش بررسی: در این پژوهش کاربرد مدل‌های شبکه عصبی مصنوعی و شبکه بیزین جهت پیش‌بینی هدایت الکتریکی8 چاه مشاهداتی دشت مازندران مورد بررسی قرار گرفت. که برای این منظور هیدروژن کربنات، کلرید، سولفات، کلسیم و منیزیم در مقیاس زمانی ماهانه طی دوره آماری (1383-1393) به‌عنوان ورودی و هدایت الکتریکی به‌عنوان پارامتر خروجی انتخاب شد.معیارهای ضریب همبستگی، میانگین قدر مطلق خطا و ضریب نش ساتکلیف برای ارزیابی و عملکرد مدل مورداستفاده قرار گرفت. یافته‌ها: نتایج نشان داد مدل شبکه عصبی مصنوعی با ضریب همبستگی (989/0)، میانگین قدر مطلق خطا(ds/m019/0) و نیز معیار نش ساتکلیف(970/0) در مرحله صحت سنجی در اولویت قرار گرفت بحث و نتیجه‌گیری: در مجموع نتایج حاکی از توانمندی قابل‌قبول مدل شبکه عصبی مصنوعی در تخمین هدایت الکتریکی آب‌های زیرزمینی است. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  77 - تعیین روش بهینه طبقه بندی و نقشه سازی کاربری/ پوشش اراضی با مقایسه الگوریتم های شبکه عصبی مصنوعی وماشین بردار پشتیبان با استفاده از داده های ماهواره ای (مطالعه موردی: تالاب بین المللی هامون)
  امیرهوشنگ احسانی مجتبی شاکریاری
  10.22034/jest.2019.13711
  زمینه و هدف: طبقه بندی تصاویر یکی از روش های مهم درتفسیرتصاویر ماهواره ای است که کاربرد زیادی در بررسی تغییرات زمین دارد. در این میان داده های ماهواره ای به دلیل ارایه اطلاعات به روز، ارزان بودن و تنوع اشکال بهترین وسیله برای آشکارسازی و ارزیابی تغییرات شناخته شده است. أکثر

  زمینه و هدف: طبقه بندی تصاویر یکی از روش های مهم درتفسیرتصاویر ماهواره ای است که کاربرد زیادی در بررسی تغییرات زمین دارد. در این میان داده های ماهواره ای به دلیل ارایه اطلاعات به روز، ارزان بودن و تنوع اشکال بهترین وسیله برای آشکارسازی و ارزیابی تغییرات شناخته شده است. از طرفی دیگر در سال های اخیر روش های شبکه های عصبی مصنوعی به طور وسیع و گسترده جهت طبقه بندی داده های ماهواره ای استفاده می شود. هدف از این پژوهش مقایسه سه روش مختلف جهت طبقه بندی پوشش اراضی با استفاده از تصویر سنجده OLI سال 2014 طی یک دوره 26 ساله می باشد. روش بررسی: در این مقاله تصویر سنجنده OLI (1393) از لحاظ هندسی و اتمسفری در نرم افزار ENVI تصحیح شد. سپس جهت طبقه بندی تصویر به سه روش شبکه های عصبی مصنوعی آرتمپ فازی، شبکه عصبی مصنوعی پرسپترون چند لایه و روش ماشین بردار پشتیبان با استفاده از نرم افزار IDRIS Selva، نقشه پوشش اراضی به پنج کلاس آب، پوشش گیاهی، نیزار، اراضی بایر و اراضی شور طبقه بندی گردید. در نهایت به منظور ارزیابی صحت با استفاده از صحت کاربر، صحت تولید کننده، صحت کلی، ضریب کاپا و ماتریس خطا، نقشه ایجاد شده با نقشه واقعیت زمینی ایجاد شده توسط GPS و تصاویر گوگل ارث و بازدیدهای صحرایی مورد مقایسه قرار گرفت. بحث و نتیجه‌گیری: نتایج نشان دادند که روش آرتمپ فازی بیش ترین میزان دقت را با صحت کل 94.68 و ضریب کاپای91/. نسبت به دو روش شبکه عصبی مصنوعی پرسپترون چند لایه با صحت کل 92.99 و ضریب کاپای 89/. و ماشین بردار پشتیبان با صحت کل 90.93و ضریب کاپای 85/. در طبقه بندی داده های ماهواره ای دارد. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  78 - بررسی تغییرات پوشش اراضی شهر اراک با استفاده از سنجش از دور و GIS
  مژگان احمدی ندوشن علیرضا سفیانیان سید جمال الدین خواجه الدین
  زمینه و هدف: تغییرات پوشش اراضی از جمله مهم ترین تغییرات سطح زمین هستند که اثرات قابل توجهی روی محیط و فرایندهای محیطی می‌گذارند. مواد و روش ها: در این مطالعه برای بررسی تغییرات پوشش اراضی شهر اراک و حومه آن طی سال های 1335 تا 1385 از عکس های هوایی سال های 1335 و 1351، أکثر

  زمینه و هدف: تغییرات پوشش اراضی از جمله مهم ترین تغییرات سطح زمین هستند که اثرات قابل توجهی روی محیط و فرایندهای محیطی می‌گذارند. مواد و روش ها: در این مطالعه برای بررسی تغییرات پوشش اراضی شهر اراک و حومه آن طی سال های 1335 تا 1385 از عکس های هوایی سال های 1335 و 1351، تصویر سنجنده TM سال 1369، تصویر سنجنده LISS-III ماهواره IRS-P6 سال 1385 و روش آشکارسازی تغییرات مقایسه پس از طبقه‌بندی استفاده شد. در ابتدا، تصحیح هندسی بر روی کلیه عکس ها و تصاویر ماهواره‌ای با استفاده از نقشه‌های توپوگرافی و روش نمونه گیری مجدد نزدیک ترین همسایه اعمال شد و میزان خطای میانگین مربعات برای همه عکس ها و تصویر ماهواره ای کمتر از یک پیکسل برآورد گردید. پس از زمین مرجع کردن، کلیه عکس ها موزاییک شدند و با استفاده از تفسیر چشمی عکس های هوایی، نقشه پوشش اراضی با 4 طبقه شهر، اراضی بایر، پوشش گیاهی و کوه ایجاد گردید. پس از تصحیح هندسی و توپوگرافی تصاویر ماهواره‌ای، طبقه‌بندی به روش شبکه عصبی مصنوعی بر روی تصاویر اعمال شد. نتایج: نقشه‌های پوشش اراضی در 4 طبقه مشابه با طبقات پوشش اراضی در عکس های هوایی و با صحت کلی بالاتر از 90 درصد ایجاد شدند. برای آشکارسازی تغییرات طی 4 بازه زمانی بین سال های 1335 تا 1385، نقشه‌های پوشش اراضی دو به دو با هم مقایسه شده و نقشه‌ها و جداول تغییرات به دست آمدند. نتایج بررسی روند کلی تغییرات نشان دهنده افزایش قابل توجه مساحت شهر، کاهش پوشش گیاهی و اراضی بایر و ثابت ماندن طبقه کوه بین سال های 1335 و 1385 بود. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  79 - تعیین روش بهینه پیش بینی درماندگی مالی شرکت ها (مطالعه موردی: شرکت های بورس اوراق بهادار تهران)
  منصور صوفی مهدی همایون فر مهدی فدایی
  یکی از مهم‌ترین موضوعات مطرح در حوزه مدیریت مالی، آن است که سرمایه‌گذاران فرصت‌های مطلوب سرمایه‌گذاری را از فرصت‌های نامطلوب تشخیص دهند. در راستا، ‌یکی از راه‌های کمک به سرمایه‌گذاران ارائه‌ی مدل‌های پیش‌بینی درماندگی مالی شرکت‌ها است. با توجه به مطالعات مختلفی که برای أکثر

  یکی از مهم‌ترین موضوعات مطرح در حوزه مدیریت مالی، آن است که سرمایه‌گذاران فرصت‌های مطلوب سرمایه‌گذاری را از فرصت‌های نامطلوب تشخیص دهند. در راستا، ‌یکی از راه‌های کمک به سرمایه‌گذاران ارائه‌ی مدل‌های پیش‌بینی درماندگی مالی شرکت‌ها است. با توجه به مطالعات مختلفی که برای توسعه این دسته از مدل‌ها انجام گرفته‌اند، در پژوهش حاضر از ترکیب تکنیک‌های شبکه‌ عصبی مصنوعی و الگوریتم ژنتیک بر مبنای نسبت‌های پیش‌بینی زیمنسکی برای مدل‌سازی پیش-بینی درماندگی مالی استفاده شده است. جامعه آماری تحقیق، شامل شرکت‌های سهامی عام حاضر در بورس اوراق بهادار تهران است که طی دوره زمانی مهر 1392 تا مهر 1394 در بورس فعالیت داشته‌اند که از میان آنها، 66 شرکت درمانده و 150 شرکت سالم با روش غربال‌سازی به‌عنوان نمونه‌‌ انتخاب شده‌اند. نتایج نشان می‌دهند که شبکه عصبی و الگوریتم ژنتیک در پیش‌بینی درماندگی مالی از قدرت برابر (95 درصد) برخوردارند، با این وجود، خطای پیش‌بینی در شبکه عصبی در مقایسه با الگوریتم ژنتیک پایین‌تر است. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  80 - بهینه سازی پورتفوی سرمایه گذاری مبتنی بر ماتریس شبکه و مقایسه آن با الگوی ترکیبی فازی عصبی و الگوریتم ژنتیک (ANFIS)
  علی شیدائی نرمیقی فریدون رهنمای رودپشتی رضا رادفر
  چندین سال است که پژوهشگران به بررسی و تحقیق درباره مسائل مربوط به بهینه سازی سبد سرمایه گذاری پرداخته اند . یکی از موضوعات اصلی مشخص کردن روش بهینه سازی است که به تشکیل سبد سرمایه گذاری بهینه یعنی حداقل نمودن ریسک سرمایه گذاری و حداکثر کردن سود سرمایه گذاری می باشد. هدف أکثر

  چندین سال است که پژوهشگران به بررسی و تحقیق درباره مسائل مربوط به بهینه سازی سبد سرمایه گذاری پرداخته اند . یکی از موضوعات اصلی مشخص کردن روش بهینه سازی است که به تشکیل سبد سرمایه گذاری بهینه یعنی حداقل نمودن ریسک سرمایه گذاری و حداکثر کردن سود سرمایه گذاری می باشد. هدف پژوهش حاضر بررسی قابلیت راهبرد ماتریس شبکه و مدل فازی عصبی ژنتیک (ANFIS) در بهینه سازی سبد سرمایه گذاری از بین شرکت های بورس اوراق بهادار تهران است. گروه بندی سهام بوسیله ماتریس شبکه مبتنی بر متغییرهای نوین شامل سهام تهاجمی ، بی تفاوت و تدافعی که توسط رهنمای رودپشتی (1388) ارائه شده و متغییرهای سنتی شامل سهام رشدی ، رشدی ارزشی و ارزشی و دسته بندی شرکت ها براساس ارزش بازار آنها و استفاده از قانون چارک ها و در نهایت وزن دهی آنها متناسب با بازدهی آن سهم در نظرگرفته می شود. نسبت به طراحی و ارائه یک مدل بهینه سازی سبد سرمایه گذاری سهام با استفاده از سیستم استنتاج عصبی فازی انطباقی و ترکیب آن با الگوریتم ژنتیک (ANFIS) پرداخته شده است که در آن از دو دسته مختلف متغیرهای فنی و بنیادی به‌عنوان ورودی‌های مدل استفاده می‌شود. خروجی‌های تحقیق نشان می دهد این سیستم‌ها از توانایی لازم برای بهینه سازی سبد سهام برخوردار می‌باشند. بنابراین یک مدل ترکیبی شبکه های عصبی و تئوری استدلال فازی همراه با الگوریتم ژنتیک به منظور وزن دهی عامل های موثر در بهینه سازی سبد سهام در 7 سال منتهی به سال 1398 بکار گرفته شده است. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  81 - کاربرد الگوریتم ژنتیک، ازدحام ذرات و شبکه‌های عصبی مصنوعی در پیش‌بینی دستکاری سود
  مرتضی حسینعلی‌نژاد سید محمدحسن هاشمی کوچکسرائی علی جعفری
  مدیریت سود یکی از موضوعات بحث انگیز در تحقیقات اخیر بوده است. اکثر تحقیقات انجام شده در زمینه مدیریت سود،به بررسی ارتباط خطی متغیرهای مستقل با مدیریت سود و با روش های آماری پرداخته اند اما از این متغیرها برای پیش بینی مدیریت سود استفاده نکرده اند. امروزه با رشد تکنولوژی أکثر

  مدیریت سود یکی از موضوعات بحث انگیز در تحقیقات اخیر بوده است. اکثر تحقیقات انجام شده در زمینه مدیریت سود،به بررسی ارتباط خطی متغیرهای مستقل با مدیریت سود و با روش های آماری پرداخته اند اما از این متغیرها برای پیش بینی مدیریت سود استفاده نکرده اند. امروزه با رشد تکنولوژی اطلاعات و با وارد شدن هوش مصنوعی از جمله شبکه های عصبی مصنوعی به حوزه پژوهش های علمی، امکان بررسی روابط غیرخطی بین متغیرها میسر گردیده است. در این پژوهش تلاش شده تا با استفاده از شبکه‌های عصبی مصنوعی، اقلام تعهدی اختیاری برای پیش‌بینی مدیریت سود تخمین زده شود. همچنین در این پژوهش از مدل بهینه‌ساز الگوریتم ژنتیک و ازدحام ذرات برای بهینه‌سازی وزن‌های مدل شبکه عصبی مصنوعی جهت ارتقای توان پیش‌بینی کنندگی استفاده شده است. در ادامه توانایی پیش‌بینی مدیریت سود با استفاده از مدل آماری جونز تعدیل‌شده، شبکه عصبی مصنوعی و تکنیک ترکیبی الگوریتم ژنتیک، ازدحام ذرات و شبکه عصبی مورد بررسی قرار گرفت. نمونه مورد استفاده در این پژوهش شامل 150 شرکت پذیرفته شده در بورس اوراق بهادار تهران بین سال-های 1394 الی 1399 بوده است. یافته‌های پژوهش نشان داد که شبکه عصبی مصنوعی از توانایی بالایی در پیش-بینی مدیریت سود، نسبت به مدل خطی جونز تعدیل شده برخوردار است. همچنین یافته‌ها حاکی از آن است که دقت و توانایی مدل ترکیبی الگوریتم ژنتیک، ازدحام ذرات و شبکه عصبی در پیش بینی مدیریت سود از مدل ترکیبی الگوریتم ژنتیک-شبکه عصبی مصنوعی بیشتر است. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  82 - ارائه مدل طبقه بندی هوشمند مبتنی بر شبکه عصب مصنوعی پرسپترون (MLP) و تحلیل سلسله مراتبی (AHP) در خدمات بازاریابی دیجیتال برای اولویت بندی ریسک نقدینگی و سرمایه گذاری
  علیرضا عاشوری رودپشتی هرمز مهرانی کریم حمدی
  مطالعه حاضر با استفاده از تکنیک‌های یادگیری ماشین و نظرکاوی کوشیده است تا بتواند مدل راهبردی خودکار به منظور طبقه‌بندی و کاوش نظرات ارائه شده در مورد خدماتی خاص که در این مورد در حوزه ی سرمایه گذاری بررسی شده است را با استفاده از بررسی نتایج به دست آمده در خدمات بازاریا أکثر

  مطالعه حاضر با استفاده از تکنیک‌های یادگیری ماشین و نظرکاوی کوشیده است تا بتواند مدل راهبردی خودکار به منظور طبقه‌بندی و کاوش نظرات ارائه شده در مورد خدماتی خاص که در این مورد در حوزه ی سرمایه گذاری بررسی شده است را با استفاده از بررسی نتایج به دست آمده در خدمات بازاریابی دیجیتال ارائه نماید. مدل مبتنی بر شبکه عصبی با شناسایی نظرات مرتبط، خصوصیات مختلف را در سطوح گوناگون ارزشیابی سنجیده و نظرات را بسته به کیفیت ارائه بصورت خودکار طبقه-بندی می‌نماید. بحران‌های مالی موجود در نظام‌های بانکی معمولاً ناشی از عدم توانایی در مدیریت ریسک‌های مالی و نقدینگی است که عاملی بر عدم شفافیت و توانایی در مدیریت سرمایه می‌باشد. بطوری‌که وجود چنین عدم‌قطعیت‌هایی سبب کاهش علاقه-مندی سرمایه‌گذاران در مشارکت‌های صنعتی و اجرایی گردیده است. این مقاله با هدف شناسایی عوامل موثر بر ریسک نقدینگی و همچنین ارائه مدلی هوشمند جهت پیش‌بینی و طبقه‌بندی عوامل ایجادکننده ریسک نقدینگی، شناسایی و اولویت‌بندی فاکتورهای درگیر آن پایه‌ریزی گردیده است. بدین منظور از روش سنجش هوشمند با بکارگیری شبکه عصبی پرسپترون (MLP) بهره گرفته شده که به عنوان یک رویکرد کاربردی هوش مصنوعی بشمار می‌آید. بدین منظور بررسی های لازم بر روی اطلاعات مالی و نقدینگی در شعب بانک ملت در شهر تهران (مشتمل بر ۳۶ شعبه) مورد توجه بوده و برای جامعه نمونه از مجموعه تصادفی خوشه‌ای از۳۷۴ نفر از مشتریان و سرمایه‌گذاران منتخب بهره گرفته شده است. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  83 - طراحی الگویی جهت پیش بینی شاخص بورس تهران با استفاده از ترکیبی از شبکه عصبی مصنوعی و مدل مخفی مارکوف
  لیلا طلایی کاکلکی مهدی معدنچی زاج تقی ترابی فرهاد غفاری
  هدف این پژوهش طراحی الگویی جدید جهت پیش بینی شاخص بورس تهران با استفاده از تشخیص الگو در ترکیبی از مدل مارکوف مخفی وهوش مصنوعی بود که تحقیق حاضر از نوع کاربردی و روش تحلیلی ریاضی می باشد. قلمرو مکانی آن بورس اوراق بهادار تهران و طی سال های 1389 تا 1398 است. یافته های پژ أکثر

  هدف این پژوهش طراحی الگویی جدید جهت پیش بینی شاخص بورس تهران با استفاده از تشخیص الگو در ترکیبی از مدل مارکوف مخفی وهوش مصنوعی بود که تحقیق حاضر از نوع کاربردی و روش تحلیلی ریاضی می باشد. قلمرو مکانی آن بورس اوراق بهادار تهران و طی سال های 1389 تا 1398 است. یافته های پژوهش نشان داد که میزان خطای پیش‌بینی با شبکه عصبی مصنوعی از دقت بالاتری نسبت به مدل مخفی مارکوف برخوردار است. همچنین میزان خطای پیش بینی مدل ترکیبی به مراتب از دو مدل دیگر برای پیش بینی شاخص کل سهام بورس تهران کمتر بوده، لذا دقت بالاتری برای پیش بینی سهام را دارا می باشد. با توجه به شاخص MAPE روش مدل ترکیبی توانسته 044/0 درصد توان پیش بینی شبکه عصبی مصنوعی را بهبود ببخشد و همچنین 70/0 درصد قدرت پیش بینی کنندگی مدل مخفی مارکوف را بهبود ببخشد. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  84 - ارائه مدل توسعه‌یافته بنیش با به‌کارگیری پدیده تونلینگ بر مبنای تکنیک شبکه‌های عصبی مصنوعی و الگوریتم بهینه‌سازی حرکت تجمعی ذرات در شناسایی شرکت‌های دستکاری کننده سود
  فرهاد آزادی مهرداد قنبری بابک جمشیدی نوید جواد مسعودی
  امروزه اهمیت رقم سود و احتمال مدیریت و دستکاری سود بر هیچ کس پوشیده نیست وپژوهشگران همواره به دنبال راه کار هایی برای رفع ابهام سهامداران و سرمایه گذاران برای تصمیم گیری های مالی بوده اند.بنیش (1999) در راستای روشن نمودن مسیر تصیمیم گیری استفاده کنندگان از اطلاعات مالی أکثر

  امروزه اهمیت رقم سود و احتمال مدیریت و دستکاری سود بر هیچ کس پوشیده نیست وپژوهشگران همواره به دنبال راه کار هایی برای رفع ابهام سهامداران و سرمایه گذاران برای تصمیم گیری های مالی بوده اند.بنیش (1999) در راستای روشن نمودن مسیر تصیمیم گیری استفاده کنندگان از اطلاعات مالی اقدام به طرح مدلی برای پیش بینی مدیریت سود نمود که این مدل در جوامع مختلف نتایج متفاوتی داشته است لذا در این رساله جهت بهینه کردن و بومی سازی مدل بنیش، با اضافه نمودن متغیر تونلینگ به متغیرهای بنیش و بهره گیری از روشهای نوین شبکه عصبی و الگوریتم بهینه سازی حرکت تجمعی ذرات ،گام برداشتیم . جامعه آماری پژوهش شرکت های پذیرفته شده در بورس اوراق بهادار تهران و تعداد شرکت مورد مطالعه، شامل 196 شرکت پذیرفته شده طی سال‌های 1393 تا 1398 است. روش پژوهش توصیفی کتابخانه ای و از نظر ارتباط بین متغیرها علی- همبستگی است و از نظر هدف کاربردی و از لحاظ رخداد، پس‌رویدادی است. به منظور تجزیه و تحلیل داده ها از روش رگرسیونی و شبکه عصبی مصنوعی و الگوریتم PSO استفاده شده است. نتایج حاصل از تحلیل مدل نشان داد که کلیه نسبت های مالی بر پیش بینی مدیریت سود بینش تاثیر معنادار داشته و بیشترین تاثیر در پیش بینی مدیریت سود بینش را شاخص پدیده تونلینگ و کمترین تاثیر را شاخص اهرم مالی داشته است. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  85 - پیش‌بینی سود هر سهم: ترکیب شبکه‌های عصبی مصنوعی و الگوریتم بهینه‌سازی حرکت تجمعی ذرات
  داریوش فروغی حیدر فروغ نژاد منوچهر میرزایی
  انتظارات مربوط به سود اثرات قابل ملاحظه‌ای بر تصمیمات مدیران و سرمایه گذاران دارد. یکی از معیار‌هایی که امروزه به عنوانشاخص سود‌آوری شرکت ها مورد توجه قرار می‌گیرد، مفهوم سود هر سهم است. سود هر سهم آثار عمده‌ای بر قیمت سهام شرکت ‌ها نیز دارد. از اینرو پیش‌بینی سود هر سه أکثر

  انتظارات مربوط به سود اثرات قابل ملاحظه‌ای بر تصمیمات مدیران و سرمایه گذاران دارد. یکی از معیار‌هایی که امروزه به عنوانشاخص سود‌آوری شرکت ها مورد توجه قرار می‌گیرد، مفهوم سود هر سهم است. سود هر سهم آثار عمده‌ای بر قیمت سهام شرکت ‌ها نیز دارد. از اینرو پیش‌بینی سود هر سهمهم برای سرمایه‌گذاران و هم برای مدیران از اهمیت بسزایی برخوردار است. هدف از انجام این پژوهش، مدل بندی پیش بینی سود هر سهم شرکت های پذیرفته شده در بورس اوراق بهادار تهران،با استفاده از ترکیب شبکه های عصبی مصنوعی و الگوریتم بهینه سازی حرکت تجمعی ذراتبر مبنای مدل های تک متغیره و چند متغیره است. بدین منظور از اطلاعات مربوط به 114 شرکت از شرکت‌های پذیرفته شده در بورس اوراق بهادار تهران، طی سال های 1380 تا 1389 استفاده شده است.نتایج این پژوهش نشان می دهدکهمدل تک متغیره بادقت 78.5% ومدل چند متغیره با دقت 91.7% سود هر سهم را پیش بینی می نماید. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  86 - رتبه بندی شرکتهای تولیدی در بورس اوراق بهادار تهران با استفاده از مدلهای تصمیم گیری با معیارهای چندگانه و شبکه عصبی مصنوعی
  مقصود امیری مرتضی بکی حسکوئی مهدی بیگلری کامی
  این مقاله به رتبه بندی اعتباری شرکتهای تولیدی حاضر در بورس تهران پرداخته است.در این راستا نسبت های مالی 181 شرکت تولیدی بورسی در طی 3 سال از روی صورتهای مالی آنها استخراج شده است.این نسبت های مالی، بیانگر میزان توانایی پرداخت اصل و فرع تسهیلات می باشند. ابتدا 50 شرکت ان أکثر

  این مقاله به رتبه بندی اعتباری شرکتهای تولیدی حاضر در بورس تهران پرداخته است.در این راستا نسبت های مالی 181 شرکت تولیدی بورسی در طی 3 سال از روی صورتهای مالی آنها استخراج شده است.این نسبت های مالی، بیانگر میزان توانایی پرداخت اصل و فرع تسهیلات می باشند. ابتدا 50 شرکت انتخاب و توسط روش تاپسیس رتبه بندی می شود. نسبت های مالی به عنوان معیار و وزن های هر معیار توسط روش آنتروپی شانون معلوم می شوند. سپس با این رتبه بندی ،شرکت ها به 4 طبقه تقسیم بندی می شوند.این دسته بندی به شبکه عصبی مصنوعی آموزش داده می شود وتابع شبکه عصبی بعد از آموزش مورد تست قرار می گیرد. نتایج آماری حاکی از دسته بندی قوی شبکه می باشد.سپس همه شرکت های موجود در این پژوهش توسط شبکه عصبی دسته بندی می شوند.در نهایت نیز نظر خبره توسط پرسشنامه جمع آوری می شود و با نتایج شبکه عصبی مقایسه می شود که بیانگر این موضوع می باشد که نتایج شبکه عصبی بسیار نزدیک به نظر خبره می باشد. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  87 - مقایسه عملکرد شبکه‌های عصبی مصنوعی(ANN)و مدل میانگین متحرک انباشته اتورگرسیو (ARIMA) در مدلسازی و پیش‌بینی کوتاه مدت روند نرخ ارز در ایران
  عباسعلی ابونوری فرداد فرخی سیده فاطمه شجاعیان
  نرخ ارز و نوسانات آن به عنوان یکی از مهمترین مسائل بخش بازرگانی خارجی هر کشور از اهمیت ویژه ای برخوردار است. عوامل زیادی همچون عوامل اقتصادی، سیاسی، و روانی بر نرخ ارز تاثیرگذار هستند و این عوامل خود باعث ایجاد شرایط نااطمینانی بیشتر می شوند. در این راستا تلاش سیاست گ أکثر

  نرخ ارز و نوسانات آن به عنوان یکی از مهمترین مسائل بخش بازرگانی خارجی هر کشور از اهمیت ویژه ای برخوردار است. عوامل زیادی همچون عوامل اقتصادی، سیاسی، و روانی بر نرخ ارز تاثیرگذار هستند و این عوامل خود باعث ایجاد شرایط نااطمینانی بیشتر می شوند. در این راستا تلاش سیاست گذاران در کاهش این نااطمینانی از طریق پیش بینی این متغیر باکمترین خطا بوده است. شبکه های عصبی مصنوعی از قابلیت بالایی در مدلسازی فرآیندهای پیچیده و پیش بینی مسیرهای غیرخطی پویا برخوردار هستند. لذا در این مطالعه سعی گردیده است تا با استفاده از شبکۀ عصبی مصنوعی(ANN) علاوه بر مدل سازی و پیش بینی روزانه نرخ ارز طی دوره زمانی فروردین 1381 تا اسفند 1384، و کمینه نمودن خطای پیش بینی توسط این روش، نتایج آن با مقادیر پیش بینی شده توسط مدل ARIMA بر اساس معیارهای اندازه گیری دقت پیش بینی، مورد مقایسه قرار گیرد. برای بررسی حساسیت نتایج مدل نسبت به نرخ ارز، تخمین مدل با روش مشابه برای سه دسته داده نرخ ارز دلار، یورو و پوند انجام گرفته است. نتایج تحقیق نشان می دهد که شبکۀ عصبی مورد استفاده، نسبت به مدل ARIMA از قدرت پیش بینی بهتری برخوردار است و قیمت نرخهای ارز پوند و یورو تابعی از قیمتهای روز گذشته خود و قیمت نرخ ارز دلار تابعی از قیمت 6 روز گذشته خود است. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  88 - پیش‌بینی سیاست تقسیم سود با استفاده از مدل‌های شبکه عصبی تک متغیره و چند متغیره
  محسن حمیدیان محمدباقر محمدزاده مقدم سجاد نقدی جواد اسماعیلی
  پیش بینی سود از دیرباز موردتوجه پژوهشگران بوده است. علاوه بر این یکی از مهم ترین معیارهای تصمیم گیری برای سرمایه گذاران و اعتباردهندگان پیش بینی سیاست تقسیم سود شرکت‌ها است. در این راستا، در پژوهش حاضر با آگاهی از موفقیت نسبی مدل‌های خطی و رگرسیونی در رضایت پژوهشگران در أکثر

  پیش بینی سود از دیرباز موردتوجه پژوهشگران بوده است. علاوه بر این یکی از مهم ترین معیارهای تصمیم گیری برای سرمایه گذاران و اعتباردهندگان پیش بینی سیاست تقسیم سود شرکت‌ها است. در این راستا، در پژوهش حاضر با آگاهی از موفقیت نسبی مدل‌های خطی و رگرسیونی در رضایت پژوهشگران در پیش‌بینی برخی مسائل مالی نظیر سیاست تقسیم سود و با استفاده از مدل‌های تک متغیره و چند متغیره شبکه عصبی، به پیش‌بینی سیاست تقسیم سود در 183 شرکت‌ پذیرفته‌شده بورس اوراق بهادار تهران طی سال های 1390 تا 1394 شامل 915 سال-شرکت پرداخته‌ایم. متغیرهای مورداستفاده در این پژوهش بر اساس الگوی پژوهش مارش و مرتون (1987) انتخاب شده است. نتایج نشان می‌دهد استفاده از شبکه های عصبی چندمتغیره نسبت به مدل شبکه عصبی تک متغیره، در پیش‌بینی سیاست تقسیم سود، قدرت پیش‌بینی را افزایش می‌دهد؛ بنابراین بر اساس نتایج پژوهش پیشنهاد می‌شود سهامداران، سرمایه‌گذاران برای پیش‌بینی سیاست تقسیم سود شرکت‌های پذیرفته‌شده در بورس اوراق بهادار تهران از شبکه‌های عصبی مصنوعی چندمتغیری استفاده کنند. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  89 - پیش بینی ورشکستگی شرکت های پذیرفته شده در سازمان بورس و اوراق بهادار با استفاده از شبکه عصبی مصنوعی
  محسن واعظ قاسمی سعید رمضانپور چهارده
  آگاهی از وضعیت مالی شرکت های بازار سرمایه همیشه یکی از دغدغه های سهامداران و تحلیلگران اقتصادی است؛ از این رو تحلیل گران و محقیق بازار های مالی همیشه به دنبال روش هایی برای پیش بینی شرایط آتی شرکت های حاضر در بازار سرمایه بودند. تحقیق پیش رو نیز به دنبال ایجاد مدلی برای أکثر

  آگاهی از وضعیت مالی شرکت های بازار سرمایه همیشه یکی از دغدغه های سهامداران و تحلیلگران اقتصادی است؛ از این رو تحلیل گران و محقیق بازار های مالی همیشه به دنبال روش هایی برای پیش بینی شرایط آتی شرکت های حاضر در بازار سرمایه بودند. تحقیق پیش رو نیز به دنبال ایجاد مدلی برای پیش بینی ورشکستگی شرکت های حاضر در بازار بورس و اوراق بهادار با استفاده از شبکه عصبی مصنوعی است. در این تحقیق از نسبت های مالی زیمنسکی در کنار یک متغیر کلان اقتصادی برای پیش بینی ورشکستگی شرکت ها استفاده شده؛ جامعه آماری تحقیق از بین شرکت های پذیرفته شده در سازمان بورس و اوراق بهادار انتخاب شدند. نسبت های مالی از صورت های مالی شرکت ها در بازه زمانی پنج ساله، بین سال های 1389 تا 1393 استخراج شده، که در نهایت 84 شرکت انتخاب و به دو دسته شرکت های سالم و ورشکسته با نسبت های برابر تقسیم شدند. برای ایجاد مدل پیش بینی و تجزیه و تحلیل داده ها از شبکه عصبی پرسپترون چند لایه با استفاده از الگوریتم پس انتشار استفاده شده. شبکه یک بار تنها فقط با استفاده از نسبت های مالی و بار دیگر با اضافه شدن متغیر کلان اقتصادی تحت آموزش قرار گرفت تا در نهایت این فرضیه تائید شود که دقت شبکه با اضافه شدن متغیر کلان اقتصادی افزایش می یابد. در نهایت مدل طراحی شده در حالت کلی دارای دقتی 92.95 درصدی، و 85 درصد پیش بینی درست شرکت های ورشکسته برای یک سال قبل از ورشکستگی را دارد. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  90 - ارتقای سطح کارائی مدیریت سرمایه گذاری دربازارسرمایه ایران با استفاده ازشبکه عصبی مصنوعی و منطق فازی
  حسین عموزادمهدیرجی
  تخصیص بهینه منابع مالی یکی ازمهمترین مسا ئل بازار سرمایه است. در یک بازار سرمایه کارا از بعد عملیاتی ،سرمایه در اختیار بهترین گزینه های سرمایه گذاری قرار میگیرد. بنابراین استفاده ازابزارهای مدیریت مناسب جهت کسب بازدهی بیشتر،گامی در راستای کاراترشدن مدیریت معاملات بازارا أکثر

  تخصیص بهینه منابع مالی یکی ازمهمترین مسا ئل بازار سرمایه است. در یک بازار سرمایه کارا از بعد عملیاتی ،سرمایه در اختیار بهترین گزینه های سرمایه گذاری قرار میگیرد. بنابراین استفاده ازابزارهای مدیریت مناسب جهت کسب بازدهی بیشتر،گامی در راستای کاراترشدن مدیریت معاملات بازاراست. با توجه به زمینه های استفاده از شبکه های عصبی و منطق فازی در سرمایه گذاری سهام و پیش بینی مالی ،بکارگیری آنها در انتخاب پر تفوی مناسب می تواند نتایج مطلوبی برای سرمایه گذاران در پی داشته باشد.هدف اصلی این پژوهش دستیابی به پرتفوی سرمایه گذاری بهینه دربازارسرمایه بابکارگیری شبکه عصبی مصنوعی ومنطق فازی است. همراه بامدل مارکویتز،ازمدلهای ایجادشده طریق شبکه عصبی مصنوعی ومدل فازی استفاده گردید.از شرکتهای فعال در بورس اوراق بهادارتهران، که از سال 1386الی 1395 دارای بازده مثبت بوده اند برای تشکیل پرتفوی سرمایه گذاری انتخاب شدند.برای ارزیابی پرتفو های پیشنهادی در حالت های مختلف، به مقایسه بازده پرتفو های مختلف بر اساس بازده ماهیانه وسالیانه شرکت های عضووبهینه سازی پرتفوهای پیشنهادی بااستفاده ازالگوریتم ژنتیک پرداخته شده است. این تحقیق نشان میدهدکه استفاده ازمدلهای فازی نسبت به مدلهای مذکوربازدهی بالاتری رابرای سرمایه گذاران فراهم می نماید. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  91 - Extended ‎A‎artificial Neural Networks Approach and Fractional Volterra ‎I‎ntegro-Differential Equation‎s
  A. Jafarian R. Saneifard
  10.30495/ijim.2023.15261.817
  In current research, an architecture of hybrid articial neural networks has been employed to solve a special kind of fuzzy systems. The proposed four-layer fuzzied recurrent network can approximate real solution of the present fuzzy system to any desired degree of acc أکثر

  In current research, an architecture of hybrid articial neural networks has been employed to solve a special kind of fuzzy systems. The proposed four-layer fuzzied recurrent network can approximate real solution of the present fuzzy system to any desired degree of accuracy. To do this, a back-propagation learning rule based on the gradient descent method is designed to estimate the unknowns. Finally, some numerical experiments with comparison are presented to show the effectiveness of the recurrent back-propagation method.In current research, an architecture of hybrid articial neural networks has been employed to solve a special kind of fuzzy systems. The proposed four-layer fuzzied recurrent network can approximate real solution of the present fuzzy system to any desired degree of accuracy. To do this, a back-propagation learning rule based on the gradient descent method is designed to estimate the unknowns. Finally, some numerical experiments with comparison are presented to show the effectiveness of the recurrent back-propagation method. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  92 - A New Hybrid Methodology Based on Data Envelopment Analysis and Neural Network for Optimization of Performance Evaluation
  A. Namakin S. E. Najafi M. Fallah M. Javadi
  In this paper, a new method of combining ANN and DEA (ANN-DEA) presented in which the input and output values for a large number of DMUs determined as neural network inputs. We have also compared the new model with the existing approach of ANN-DEA. To illustrate the abi أکثر

  In this paper, a new method of combining ANN and DEA (ANN-DEA) presented in which the input and output values for a large number of DMUs determined as neural network inputs. We have also compared the new model with the existing approach of ANN-DEA. To illustrate the ability of the proposed methodology some case studies are used, including a set of 500 Iranian bank branches. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  93 - A Recurrent Neural Network for Solving Strictly Convex Quadratic Programming Problems
  A. Ghomashi M. Abbasi
  In this paper we present an improved neural network to solve strictly convex quadratic programming(QP) problem. The proposed model is derived based on a piecewise equation correspond to optimality condition of convex (QP) problem and has a lower structure complexity res أکثر

  In this paper we present an improved neural network to solve strictly convex quadratic programming(QP) problem. The proposed model is derived based on a piecewise equation correspond to optimality condition of convex (QP) problem and has a lower structure complexity respect to the other existing neural network model for solving such problems. In theoretical aspect, stability and global convergence of the proposed neural network is proved. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  94 - Numerical solution of hybrid fuzzy differential equations by fuzzy neural network
  M. Othadi M. Mosleh
  The hybrid fuzzy differential equations have a wide range of applications in science and engineering. We consider the problem of nding their numerical solutions by using a novel hybrid method based on fuzzy neural network. Here neural network is considered as a part of أکثر

  The hybrid fuzzy differential equations have a wide range of applications in science and engineering. We consider the problem of nding their numerical solutions by using a novel hybrid method based on fuzzy neural network. Here neural network is considered as a part of large eld called neural computing or soft computing. The proposed algorithm is illustrated by numerical examples and the results obtained using the scheme presented here agree well with the analytical solutions. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  95 - Numerical solution of fuzzy differential equations under generalized differentiability by fuzzy neural network
  M. Mosleh
  In this paper, we interpret a fuzzy differential equation by using the strongly generalized differentiability concept. Utilizing the Generalized characterization Theorem. Then a novel hybrid method based on learning algorithm of fuzzy neural network for the solution of أکثر

  In this paper, we interpret a fuzzy differential equation by using the strongly generalized differentiability concept. Utilizing the Generalized characterization Theorem. Then a novel hybrid method based on learning algorithm of fuzzy neural network for the solution of differential equation with fuzzy initial value is presented. Here neural network is considered as a part of large eld called neural computing or soft computing. The model nds the approximated solution of fuzzy differential equation inside of its domain for the close enough neighborhood of the fuzzy initial point. We propose a learning algorithm from the cost function for adjusting of fuzzy weights. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  96 - Utilizing a new feed-back fuzzy neural network for solving a system of fuzzy equations
  A. Jafarian S. Measoomy Nia
  This paper intends to offer a new iterative method based on articial neural networks for finding solution of a fuzzy equations system. Our proposed fuzzied neural network is a ve-layer feedback neural network that corresponding connection weights to output layer are أکثر

  This paper intends to offer a new iterative method based on articial neural networks for finding solution of a fuzzy equations system. Our proposed fuzzied neural network is a ve-layer feedback neural network that corresponding connection weights to output layer are fuzzy numbers. This architecture of articial neural networks, can get a real input vector and calculates its corresponding fuzzy output. In order to nd the approximate solution of the fuzzy system that supposedly has a real solution, rst a cost function is dened for the level sets of the fuzzy network and target output. Then a learning algorithm based on the gradient descent method is used to adjust the crisp input signals. The present method is illustrated by several examples with computer simulations. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  97 - Solving nonlinear Lane-Emden type equations with unsupervised combined artificial neural networks
  K. Parand Z. Roozbahani F. Bayat Babolghani
  In this paper we propose a method for solving some well-known classes of Lane-Emden type equations which are nonlinear ordinary differential equations on the semi-innite domain. The proposed approach is based on an Unsupervised Combined Articial Neural Networks (UCANN أکثر

  In this paper we propose a method for solving some well-known classes of Lane-Emden type equations which are nonlinear ordinary differential equations on the semi-innite domain. The proposed approach is based on an Unsupervised Combined Articial Neural Networks (UCANN) method. Firstly, The trial solutions of the differential equations are written in the form of feed-forward neural networks containing adjustable parameters (the weights and biases); results are then optimized with the combined neural network. The proposed method is tested on series of Lane-Emden differential equations and the results are reported. Afterward, these results are compared with the solution of other methods demonstrating the eciency and applicability of the proposed method. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  98 - مدلسازی پارامترهای کیفی آب زیرزمینی با استفاده از مدلهای شبکه عصبی مصنوعی و زمین آمار (مطالعه موردی: دشت زیدون)
  عبدالامیر عچرش زاده اصلان اگدرنژاد
  زمینه و هدف: امروزه یکی از موانع توسعه و گسترش جوامع، کیفیت نامناسب آب می باشد. بررسی کیفیت و روند تغییرات کیفی آب زیرزمینی در مدیریت پایدار منابع آب هر منطقه، اهمیت زیادی دارد. اندازه گیری این پارامترها در یک سطح وسیع، هزینه بر و زمان بر بوده و برای مدل سازی آن ها، روش أکثر

  زمینه و هدف: امروزه یکی از موانع توسعه و گسترش جوامع، کیفیت نامناسب آب می باشد. بررسی کیفیت و روند تغییرات کیفی آب زیرزمینی در مدیریت پایدار منابع آب هر منطقه، اهمیت زیادی دارد. اندازه گیری این پارامترها در یک سطح وسیع، هزینه بر و زمان بر بوده و برای مدل سازی آن ها، روش های تخمین گر مورد نیاز است. هدف از پژوهش حاضر مدل سازی پارامترهای کیفی آب زیرزمینی دشت زیدون با استفاده از مدل های ANN+PSO و زمین آمار می باشد. روش بررسی: بدین منظور از اطلاعات ۴۲ حلقه چاه مشاهده ای موجود در دشت زیدون به صورت ماهانه طی ۷ سال، استفاده شده است. ورودی های مدل شبکه عصبی شامل پارامترهای کیفی SO42- ، pH ، HCO32-، Na+، Mg2+، Ca2+، TDS، SAR و EC در نظر گرفته شد. یافته ها: نتایج حاصل از شبیه سازی پارامترهای کیفی آب زیرزمینی با استفاده از مدل ANN+PSO نشان داد، در مدل شبیه ساز SAR بیشترین دقت شبیه سازی مربوط به مدل با تابع لگاریتم سیگموئید، در مدل شبیه ساز EC هم بیشترین دقت شبیه سازی مربوط به مدل با تابع محرک تانژانت سیگموئید می باشد. همچنین در مدل شبیه ساز TDS هم بیشترین دقت شبیه سازی مربوط به مدل با تابع محرک تانژانت سیگموئید به دست آمد. به طوری که مقدار RMSE و MAE کمترین مقدار و شاخص R2 بیشترین مقدار را دارد. همچنین نتایج حاصل از شبیه سازی پارامترهای کیفی آب زیرزمینی با استفاده از مدل زمین آمار نشان داد، بالاترین دقت مدل کریجینگ در شبیه سازی به ترتیب مربوط به پارامترهای EC، SAR و TDS است. بحث و نتیجه‌گیری: در نهایت، مقایسه نتایح حاصل از مقایسه نتایج مدل ANN+PSO و مدل کریجینگ نشان داد که مدل ANN+PSO دقت بیشتری در شبیه سازی پارامترهای کیفی آب زیرزمینی دشت زیدون نسبت به مدل کریجینگ دارد. همچنین نتایج این پژوهش نشان داد، تلفیق مدل های هوشمند با الگوریتم های بهینه سازی با معماری صحیح و ورودی های کامل مدل، به عنوان ابزاری مفید برای شبیه سازی پارامترهای کیفی آب زیرزمینی کاربرد دارند. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  99 - کاربرد شبکه عصبی‌مصنوعی و مدل همبستگی در پیش بینی پدیده گرد و غبار در کلانشهر اهواز
  نبی الله حسینی شه پریان محمد علی فیروزی سید رضا حسینی کهنوج
  گرد و غبار یکی از پدیده های مخرب اقلیمی در استان های غربی است که سالاته خسارت فراوانی را به محیط زیست وارد می نماید که عواملی بسیاری در بوجود آمدن آن نقش دارند. هدف از انجام این پژوهش پیش بینی پدیده گرد و غبار شهر اهواز می باشد. در این پژوهش از داده های سینوپتیکی اهواز أکثر

  گرد و غبار یکی از پدیده های مخرب اقلیمی در استان های غربی است که سالاته خسارت فراوانی را به محیط زیست وارد می نماید که عواملی بسیاری در بوجود آمدن آن نقش دارند. هدف از انجام این پژوهش پیش بینی پدیده گرد و غبار شهر اهواز می باشد. در این پژوهش از داده های سینوپتیکی اهواز طی سال های (2010-2000) استفاده شده است. این داده ها شامل میانگین نقطه دمای شبنم(به سانتیگراد)، میانگین سرعت باد بر حسب نات(knots)، رطوبت نسبی بر حسب درصد میانگین و میانگین بارندگی ماهانه به عنوان ورودی و داده روزهای توأم با گرد و غبار به عنوان هدف، به شبکه معرفی شدند. سپس، با استفاده از مدل سازی علّی، روابط میان متغیرها استخراج و در نهایت، مدل به وسیله شبکه عصبی و مدل رگرسیون گام به گام، آزمون شده است. نتایج، موید توانایی بیش از 74 درصد مدل بکار رفته، در پیش بینی پدیده گرد و غبار در شهر اهواز است. میزان رگرسیون حاصل از داده های گرد و غبار در یک ترکیب خطی با متغیرهای وارد شده در معادله برابر با 651/0 است. همچنین ضریب تعیین حاصل برابر با 424/0 و ضریب تعیین تعدیل یافته برابر با 410/0 گزارش شده است؛ یعنی در واقع حدود41 درصد از واریانس متغیر انجام گرد و غبار از طریق متغیرهای مستقل تبین و توجیه شده است. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  100 - تشخیص و شناسایی علائم ترافیکی مبتنی بر یادگیری عمیق با سیستمهای تعبیه شده
  پیمان بابائی فائزه علامه
  تشخیص و شناسایی علائم ترافیکی نیازمند بکارگیری الگوریتمهای تشخیص و طبقه بندی است و اساساً از اطلاعات بصری مانند شکل و رنگ علائم ترافیکی استفاده می‌کنند. با این حال، این الگوریتمها در آزمون‌های بلادرنگ با اشکالاتی مواجه هستند و همچنین دستیابی به تشخیص چند هدف بسیار دشوار أکثر

  تشخیص و شناسایی علائم ترافیکی نیازمند بکارگیری الگوریتمهای تشخیص و طبقه بندی است و اساساً از اطلاعات بصری مانند شکل و رنگ علائم ترافیکی استفاده می‌کنند. با این حال، این الگوریتمها در آزمون‌های بلادرنگ با اشکالاتی مواجه هستند و همچنین دستیابی به تشخیص چند هدف بسیار دشوار است و نیازمند تسریع در عملکرد الگوریتمهای مربوطه است. سیستم‌های تشخیص علائم ترافیکی مبتنی بر شبکه عصبی عمیق ممکن است به دلیل نیازهای محاسباتی و مصرف منابع، محدودیت‌هایی در کاربردهای عملی داشته باشند. اکثر سیستمهای تعبیه شده به طور مستقیم با فرآیندها یا محیط تعامل دارند و بر اساس ورودی های خود تصمیم گیری می کنند. این امر باعث می‌شود که سیستم واکنش پذیر باشد و در زمان واقعی به ورودی های پردازش برای اطمینان از عملکرد صحیح پاسخ دهد. این مقاله یک شبکه عصبی سبک وزن را برای تشخیص علائم ترافیکی ارائه می‌کند که به صحت و دقت بالایی با پارامترهای قابل آموزش کمتری دست می‌یابد. برای ارزیابی کارایی و قابلیت اطمینان مدل پیشنهادی مبتنی بر شبکه عصبی کانولوشنی برای شناسایی علائم ترافیکی، آزمایش‌های گسترده‌ای بر روی مجموعه دادهGTSRB انجام شده است. همپنین نتایج بدست آمده با چند معماری پیشرفته از جمله VGG16، MobileNetv2و ResNet50 مقایسه شده است. نتایج می دهد که مدل پیشنهادی به عملکرد خوبی دست یافته است و بر پتانسیل آن برای استقرار مدل شناسایی علائم ترافیکی بلادرنگ و سیستمهای کمک رانندگی تاکید می‌کند. راندمان محاسباتی و اندازه کوچک مدل پیشنهادی، آن را برای شناسایی علائم ترافیکی بلادرنگ کاربردی تر و مناسب تر می کند. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  101 - Optimization of Oleuropein Extraction from Olive Leaves using Artificial Neural Network
  Mahnaz Yasemi
  In this work, the artificial neural networks (ANN) technology was applied to the simulation of oleuropein extraction process. For this technology, a 3-layer network structure is applied, and the operation factors such as amount of flow intensity ratio, temperature, resi أکثر

  In this work, the artificial neural networks (ANN) technology was applied to the simulation of oleuropein extraction process. For this technology, a 3-layer network structure is applied, and the operation factors such as amount of flow intensity ratio, temperature, residence time, and pH are used as input variables of the network, whereas the extraction yield is considered as response value. Performance indicators
  RMSE, SSE, R2adj, R2
  
  have been used to determine the number of optimal midway neurons. Neural network trained with an error back-propagation algorithm, was used to evaluate the effects of parameters on extraction yield.The obtained optimal architecture of artificial neural network model involved a feed-forward neural network with 4 input neurons, 1 hidden layer with 6 neurons and one output layer including single neuron.The trained network gave the minimum value in the RMSE of 1.6423 and the maximum value in the
  = 0.9641, which implied a good agreement between the predicted value and the actual value, and confirmed a good generalization of the network.Functional structure of modeling, related to education,validation and test were obtained 0.99229,0.95591and 0.99224 respectively. The overall agreement between the experimental data and ANN predictions was satisfactory showing a determination coefficient of 0.9838.The neural network tools implemented in MATLAB software were used to predict the change process. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  102 - Application of Differential Kinetic Method Using ANN with a New Synthetic Reagent for Simultaneous Spectrophotometric Determination of Mercury and Palladium
  Tayyebeh Madrakian Abbas Afkhami Masoumeh Mohammadnejad Sayyed Javad Sabounchei Sepideh Samiee
  A new selective reagent was used for simultaneous determination of mercury and palladium in real samples with their different kinetic spectrophotometric properties. The method is based on the difference in the rate of the oxidation reaction of the recently synthesized r أکثر

  A new selective reagent was used for simultaneous determination of mercury and palladium in real samples with their different kinetic spectrophotometric properties. The method is based on the difference in the rate of the oxidation reaction of the recently synthesized reagent, nitro benzoyl diphenylmethylen phosphorane (N-BDMP), with Hg2+ and Pd2+. The kinetic profiles were monitored and recorded at maximum wavelength of reagent, and the data obtained from the experiments were processed by a chemometric approach (principal component analysis-artificial neural network models (PCFFNNs)). Performances of the proposed method were tested with regard to relative standard error (RSE), using synthetic solutions. Under the working conditions, the proposed method was successfully applied to the simultaneous determination of Hg2+ and Pd2+ in water, waste water and urine samples. The results showed that mercury and palladium could be determined simultaneously in the range of 4.00×10-7 to 1.00×10-4 mol L-1(0.08 to 20.06 μg mL-1) and 1.00×10-6 to 1.00×10-4 mol L-1 (0.11 to 10.64μg mL-1), respectively. Investigation of the effect of other metals on the system shows that this reagent is very selective for these two analytes and other metal ions do not show any interference. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  103 - Prediction Micro-Hardness of Al-based Composites by Using Artificial Neural Network in Mechanical Alloying
  R, M Babaheydari S, O Mirabootalebi
  Aluminum composites are one of the most important alloys with a wide range of properties and applications. In this paper, we predict the micro-hardness of aluminum-based alloys by artificial neural method (ANN). First, the effective parameters in mechanical alloying inc أکثر

  Aluminum composites are one of the most important alloys with a wide range of properties and applications. In this paper, we predict the micro-hardness of aluminum-based alloys by artificial neural method (ANN). First, the effective parameters in mechanical alloying include weight percentage and micro hardness of reinforcement materials, milling time, the ball to powder weight ratio, vial speed, the pressure of presses, sintering time and temperature, selected for inputs and micro-hardness of Al composite considered as the output. A feed-forward back propagation artificial neural network designed with 16 and 10 neurons in the first and second hidden layers, respectively. The created network with the mean percentage error of 5.6% was able to predict micro hardness of the Al composites. Finally, the effect of each parameter was determined by sensitivity analysis which volume fraction of alloying elements, milling speed and sintering time had the highest impact on the micro hardness of Al-based composites. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  104 - یک روش طبقه‌بندی ترکیبی برای تشخیص سرطان پستان با استفاده از الگوریتم ژنتیک و تنظیم چند مرحله‌ای وزن‌ها در شبکه عصبی MLP
  امین رضایی پناه سیدجواد میرعابدینی علی مبارکی
  امروزه با گسترش روز افزون علم، استفاده از سیستم های پشتیبان تصمیم می تواند کمک زیادی در سیاست های درمانی پزشک داشته باشد. بدین منظور استفاده از سیستم های هوشمند مصنوعی در پیش بینی و تشخیص سرطان پستان که یکی از رایج ترین سرطان ها در بین زنان می باشد، مورد توجه است. در ای أکثر

  امروزه با گسترش روز افزون علم، استفاده از سیستم های پشتیبان تصمیم می تواند کمک زیادی در سیاست های درمانی پزشک داشته باشد. بدین منظور استفاده از سیستم های هوشمند مصنوعی در پیش بینی و تشخیص سرطان پستان که یکی از رایج ترین سرطان ها در بین زنان می باشد، مورد توجه است. در این مقاله فرآیند تشخیص بیماری سرطان پستان با استفاده از تنظیم چند مرحله ای وزن ها در شبکه عصبی MLP در دو لایه انجام می شود. در لایه اول، سه طبقه بند وجود دارد که به طور همزمان روی داده های مجموعه یادگیری آموزش می بینند. پس از اتمام آموزش خروجی طبقه بندهای لایه اول جمع آوری شده و به همراه داده های مجموعه یادگیری در مجموعه ای جدید قرار می گیرند. این مجموعه به عنوان ورودی به فراطبقه بند لایه دوم داده می شود و فراطبقه بند نگاشت میان خروجی های هر یک از طبقه بندهای معمولی لایه اول را با کلاس های خروجی واقعی مدل می کند. ساختار سه طبقه بند لایه اول و همچنین فراطبقه بند لایه دوم یک شبکه عصبی MLP است که وزن ها، ویژگی های موثر و اندازه لایه مخفی در آن به طور همزمان با استفاده از یک الگوریتم ژنتیک ابتکاری بهینه سازی می شود. به منظور ارزیابی دقت مدل پیشنهادی از پایگاه داده ویسکانسین استفاده می شود که با تست FNA ایجاد شده است. نتایج آزمایش ها روی مجموعه داده WBCD دقت 98.72% را برای روش پیشنهادی نشان می دهد که نسبت به الگوریتم های GAANN، CAFS عملکرد بهتری ارائه داده است. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  105 - پیش بینی کوتاه مدت بار استان چهارمحال و بختیاری با استفاده از اجماع شبکه های عصبی
  اسحاق فرجی محسن میرزائیان حمید پروین علی چمکوری مجید محمدپور
  پیش بینی کوتاه مدت بار در بازار برق اهمیت زیادی دارد. از طرفی عوامل مهم تأثیرگذار بر پیش بینی کوتاه مدت بار به ویژگی های بار الکتریکی و آب و هوایی هر منطقه بستگی دارد، بنابراین با استفاده از داده های واقعی استان چهارمحال و بختیاری-شامل بار و دما- به پیش بینی کوتاه مدت ب أکثر

  پیش بینی کوتاه مدت بار در بازار برق اهمیت زیادی دارد. از طرفی عوامل مهم تأثیرگذار بر پیش بینی کوتاه مدت بار به ویژگی های بار الکتریکی و آب و هوایی هر منطقه بستگی دارد، بنابراین با استفاده از داده های واقعی استان چهارمحال و بختیاری-شامل بار و دما- به پیش بینی کوتاه مدت بار الکتریکی استان پرداخته ایم. بدین منظور با استفاده از چهار روش مختلف شبکه عصبی پرسپترون (MLp < /strong>)، مجمعی از شبکه عصبی پرسپترون (MLP Ensemble)، شبکه SVM(Support Vector Machine) و مجمعی از شبکه SVM به پیش بینی کوتاه مدت بار استان چهار محال و بختیاری پرداختیم. نتایج حاصل از مقایسه این چهار روش نشان می دهد که مجمعی از شبکه عصبی پرسپترون بهترین روش به منظور پیش بینی کوتاه مدت بار می باشد. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  106 - مدل سازی و مطالعه ارتباط کمی ساختار-فعالیت برخی از مشتقات کربوکسیلات به عنوان داروهای ضد سرطان با استفاده از رگرسیون خطی چند متغیره و شبکه های عصبی مصنوعی
  مهدی نکوئی محمود ابراهیمی پرستو فتاحی بهزاد چهکندی
  شیمی درمانی، یکی از مؤثرترین درمان ها برای سرطانها به شمار می رود اما بسیاری از سرطانها در طی درمان با داروهای شیمی درمانی نسبت به اثرات درمانی داروی مصرفی، مقاوم می‌شوند که به آن مقاومت به داروهای چندگانه یا Multi Drug Resistance می گویند. در حال حاضر از برخی داروهای ج أکثر

  شیمی درمانی، یکی از مؤثرترین درمان ها برای سرطانها به شمار می رود اما بسیاری از سرطانها در طی درمان با داروهای شیمی درمانی نسبت به اثرات درمانی داروی مصرفی، مقاوم می‌شوند که به آن مقاومت به داروهای چندگانه یا Multi Drug Resistance می گویند. در حال حاضر از برخی داروهای جدید از جمله مشتقات کربوکسیلات جهت کاهش مقاومت دارویی استفاده شده است. در تحقیق حاضر، مطالعه ارتباط کمی ساختار-فعالیت(QSAR) جهت پیش بینی فعالیت دارویی برخی از مشتقات کربوکسیلات با استفاده از روش رگرسیون خطی چند متغیره(MLR) و شبکه های عصبی مصنوعی(ANN) انجام شد. در ابتدا ساختار ترکیبات دارویی، رسم و گروه مناسبی از توصیف کننده‌ها محاسبه شدند. سپس از روش انتخاب مرحله‌ای برای بدست آوردن بهترین توصیف کننده‌ها که بیشترین ارتباط را با فعالیت دارویی ترکیبات مورد نظر داشتند استفاده گردید. در ابتدا مدل خطی رگرسیون خطی چند‌گانه(MLR) ساخته شد. سپس برای به دست آوردن نتایج بهتر از ANN استفاده گردید. داده های آماری، برتری روش ANN را نسبت به روش MLR نشان می دهد. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  107 - کاربرد رگرسیون خطی چندگانه و شبکه های عصبی مصنوعی جهت مطالعه ارتباط کمی ساختار-فعالیت دسته ایی از مشتقات کموکین ها
  مهدی نکوئی محمدرضا کیانسب مجید محمدحسینی بهنام مهدوی تهمینه باهری
  مطالعه ارتباط کمی ساختار-فعالیت (QSAR) جهت پیش بینی فعالیت دارویی برخی از مشتقات کموکین ها با استفاده از رگرسیون خطی چندگانه و شبکه های عصبی مصنوعی (ANN) انجام شد. در ابتدا ساختار ترکیبات دارویی به کمک نرم افزار هایپرکم رسم و بهینه گردیدند. سپس دسته وسیعی از توصیف کننده أکثر

  مطالعه ارتباط کمی ساختار-فعالیت (QSAR) جهت پیش بینی فعالیت دارویی برخی از مشتقات کموکین ها با استفاده از رگرسیون خطی چندگانه و شبکه های عصبی مصنوعی (ANN) انجام شد. در ابتدا ساختار ترکیبات دارویی به کمک نرم افزار هایپرکم رسم و بهینه گردیدند. سپس دسته وسیعی از توصیف کننده‌های مولکولی توسط نرم افزار دراگون محاسبه شدند. بعد از کاهش تعدادی از توصیف کننده ها که همبستگی بالای9/0 داشتند و توصیف کننده هایی که بیش از 90% آنها مشابه بود از رگرسیون مرحله ایی برای بدست آوردن بهترین توصیف کننده‌ها که بیشترین ارتباط را با فعالیت دارویی ترکیبات مورد نظر داشتند استفاده گردید. با این کار تعداد 7 توصیف کننده شامل MATS2p، PCWTe، RDF045m، RDF065m، RDF115m، C-003 و C-040 انتخاب شدند سپس از روشهای رگرسیون خطی چند‌گانه (MLR) و شبکه های عصبی مصنوعی (ANN) برای مدلسازی و پیش بینی فعالیت ترکیبات سری تست استفاده گردید. نتایج بدست آمده نشان می دهد که هر دو روش نتایج قابل قبولی ارایه می دهند که می توان از آنها برای پیش بینی ترکیبات دارویی جدید استفاده کرد. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  108 - کاربرد رگرسیون خطی چند متغیره و شبکه های عصبی مصنوعی جهت پیش‌بینی فعالیت ضدمیکروبی برخی مشتقات آنیلیدها به روش ارتباط کمی ساختار - فعالیت (QSAR)
  مهدی نکوئی پرستو پورعلی سید حامد موسوی
  مطالعه ارتباط کمی ساختار-فعالیت(QSAR) جهت پیش بینی فعالیت ضدمیکروبی برخی مشتقات آنیلیدها با استفاده از روشهای رگرسیون خطی چند متغیره(MLR) و شبکه های عصبی مصنوعی(ANN) انجام شد. در ابتدا ساختار ترکیبات، رسم و گروه مناسبی از توصیف کننده‌ها محاسبه شدند. سپس از روش انتخاب مر أکثر

  مطالعه ارتباط کمی ساختار-فعالیت(QSAR) جهت پیش بینی فعالیت ضدمیکروبی برخی مشتقات آنیلیدها با استفاده از روشهای رگرسیون خطی چند متغیره(MLR) و شبکه های عصبی مصنوعی(ANN) انجام شد. در ابتدا ساختار ترکیبات، رسم و گروه مناسبی از توصیف کننده‌ها محاسبه شدند. سپس از روش انتخاب مرحله‌ای برای بدست آوردن بهترین توصیف کننده‌ها که بیشترین ارتباط را با فعالیت ضدمیکروبی ترکیبات مورد نظر داشتند استفاده گردید. با این روش 5 توصیف کننده انتخاب و در ابتدا مدل خطی MLR ساخته شد. سپس برای به دست آوردن نتایج بهتر از شبکه عصبی مصنوعی استفاده گردید. مقادیر ضریب تعیین (R2) و ریشه میانگین مربعات خطا (RMSE) برای سری تست به ترتیب برابر 077/0 و 073/0 برای مدل خطی MLR و 613/0 و 021/0 برای مدل غیرخطی ANN بدست آمد. داده های آماری، برتری روش ANN را نسبت به روش MLR نشان می دهد. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  109 - مدل سازی و مطالعه ارتباط کمی ساختار-خاصیت جهت پیش بینی نیمه عمر بی فنیل های پلی کلرینه با استفاده از رگرسیون خطی چند متغیره و شبکه های عصبی مصنوعی
  سکینه بهرامی نسب مهدی نکوئی سیدعباس طاهری
  مطالعه ارتباط کمی ساختار-خاصیت(QSPR) جهت پیش بینی زمان نیمه عمر برخی مشتقات بی فنیل های پلی کلرینهبا استفاده از روشهای رگرسیون خطی چند متغیره(MLR) و شبکه های عصبی مصنوعی(ANN) انجام شد. در ابتدا ساختار ترکیبات، رسم و گروه مناسبی از توصیف کننده ها محاسبه شدند. سپس از روش أکثر

  مطالعه ارتباط کمی ساختار-خاصیت(QSPR) جهت پیش بینی زمان نیمه عمر برخی مشتقات بی فنیل های پلی کلرینهبا استفاده از روشهای رگرسیون خطی چند متغیره(MLR) و شبکه های عصبی مصنوعی(ANN) انجام شد. در ابتدا ساختار ترکیبات، رسم و گروه مناسبی از توصیف کننده ها محاسبه شدند. سپس از روش انتخاب مرحله ای برای بدست آوردن بهترین توصیف کننده ها که بیشترین ارتباط را با نیمه عمر ترکیبات مورد نظر داشتند استفاده گردید. با این روش 6 توصیف کننده شاملLop, GATS5m, GATS8m, LDip, RDF020u, R2v+ که از انواع توصیف کننده های توپولوژیکی، بار، نمایش سه بعدی مولکول بر اساس پراش الکترونی و تابع توزیع شعاعی هستند انتخاب گردید. در ابتدا مدل خطی MLR ساخته شد. سپس برای به دست آوردن نتایج بهتر از شبکه عصبی مصنوعی استفاده گردید. مقادیر ضریب تعیین (R2) و ریشه میانگین مربعات خطا (RMSE) برای سری تست به ترتیب برابر 716/0 و 050/0 برای مدل خطی MLR و 896/0 و 030/0 برای مدل غیرخطی ANN بدست آمد. داده های آماری، برتری روش ANN را نسبت به روش MLR نشان می دهد. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  110 - Genetic Algorithm and ANN for Estimation of SPIV of Micro Beams
  M. Heidari
  In this paper, the static pull-in instability (SPIV) of beam-type micro-electromechanical systems is theoretically investigated. Herein, modified strain gradient theory in conjunction with Euler–Bernoulli beam theory have been used for mathematical modeling of the أکثر

  In this paper, the static pull-in instability (SPIV) of beam-type micro-electromechanical systems is theoretically investigated. Herein, modified strain gradient theory in conjunction with Euler–Bernoulli beam theory have been used for mathematical modeling of the size dependent instability of the micro beams. Considering the mid-plane stretching as the source of the nonlinearity in the beam behavior, a nonlinear size-dependent Euler-Bernoulli beam model is used based on a modified couple stress theory, capable of capturing the size effect. Two common beam-type systems including double-clamped and clamped-free cantilever have been investigated. By selecting a range of geometric parameters such as beam lengths, width, thickness, gaps and size effect, we identify the static pull-in instability voltage. Back propagation artificial neural network (ANN) with three functions have been used for modelling the static pull-in instability voltage of micro beam. Effect of the size dependency on the pull-in performance has been discussed for both micro-structures. The network has four inputs of length, width, gap and the ratio of height to scale parameter of beam as the independent process variables, and the output is static pull-in voltage of microbeam. The number of nodes in the hidden layer, learning ratio and momentum term are optimized using genetic algorithms (GAs). Numerical data, employed for training the network and capabilities of the model in predicting the pull-in instability behaviour has been verified. The output obtained from neural network model is compared with numerical results, and the amount of relative error has been calculated. Based on this verification error, it is shown that the back propagation neural network has the average error of 6.36% in predicting pull-in voltage of cantilever micro-beam. Resultant low relative error value of the ANN model indicates the usability of the BPN in this area. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  111 - Estimation of Surface Roughness in Turning by Considering the Cutting Tool Vibration, Cutting Force and Tool Wear
  A. Salimi A. Ebrahimpour M. Shalvandi E. Seidi
  Surfacequality along with the low production cost, play significant role in today’s manufacturing market. Quality of a product can be described by various parameters. One of the most important parameters affecting the product quality is surface roughness of the ma أکثر

  Surfacequality along with the low production cost, play significant role in today’s manufacturing market. Quality of a product can be described by various parameters. One of the most important parameters affecting the product quality is surface roughness of the machined parts. Good surface finish not only assures quality, but also reduces the product cost. Before starting any machining process, surface finish is predictable using cutting parameters and estimation methods. Establishing a surface prediction system on a machine tool, avoids the need for secondary operation and leads to overall cost reduction. On the other hand, creating a surface estimation system in a machining plant, plays an important role in computer integrated manufacturing systems (CIMS). In this study, the effect of cutting parameters, cutting tool vibration, tool wear and cutting forces on surface roughness are analyzed by conducting experiments using different machining parameters, vibration and dynamometers sensors to register the amount of tool vibration amplitude and cutting force during the machining process. For this, a number of 63 tests are conducted using of different cutting parameters. To predict the surface quality for different parameters and sensor variables, an ANN model is designed and verified using the test results. The results confirm the model accuracy in which the R2 value of the tests was obtained as 0.99 comparing with each other. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  112 - Forecasting Operational Parameters of a Solar Space Heating System using a Novel Multistage Artificial Neural Network
  Farnaz Jamadi Behnam Jamali
  In this study, several operational parameters of a solar energy system are predicted through using a multistage ANN model. To achieve the best design of this model, three different back-propagation learning algorithms, i.e. Levenberg-Marquardt (LM), Pola-Riber Conjugate أکثر

  In this study, several operational parameters of a solar energy system are predicted through using a multistage ANN model. To achieve the best design of this model, three different back-propagation learning algorithms, i.e. Levenberg-Marquardt (LM), Pola-Riber Conjugate Gradient (CGP) and the Scaled Conjugate Gradient (SCG) are utilized. Further, to validate the ANN results, some experimental tests have been done in winter 2016 on a solar space heating system (SSHS) equipped with a parabolic trough collector (PTC). In the proposed model, ANN comprises three consecutive stages, while the outputs of each one are considered to be the inputs of the next. Results show that the maximum error rate in Stages 1, 2, and 3 has occurred in the LM algorithm with respectively 10, 6, and 10 neurons. Moreover, the best obtained determination coefficient of all stages belongs to the total system efficiency and has the value 0.999934 for LM-10. As a result, the multistage ANN model can simply forecast operational parameters of the solar energy systems with high accuracy. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  113 - Designing an Artificial Neural Network Based Model for Online Prediction of Tool Life in Turning
  A. Salimiasl A. Özdemir I. Safarian
  Artificial neural network is one of the most robust and reliable methods in online prediction of nonlinear incidents in machining. Tool flank wear as a tool life criterion is an important task which is needed to be predicted during machining processes to establish an on أکثر

  Artificial neural network is one of the most robust and reliable methods in online prediction of nonlinear incidents in machining. Tool flank wear as a tool life criterion is an important task which is needed to be predicted during machining processes to establish an online tool life estimation system.In this study, an artificial neural network model was developed to predict the tool wear and tool life in turning process. Cutting parameters and cutting forces were used as input and tool flank wear rates were regarded as target data for creating the online prediction system. SIMULINK and neural network tool boxes in MATLAB software were used for establishing a reliable online monitoring model. For generalizing the model, full factorial method was used to design the experiments. Predicted results were compared with the test results and a full confirmation of the model was reached. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  114 - Modelling of Friction Stir Extrusion using Artificial Neural Network (ANN)
  Mohammad Ali Ansari Reza Abdi Behnagh Dong Lin Sarang Kazeminia
  In the present study, an artificial neural network (ANN) model is developed to predict the correlation between the friction stir extrusion (FSE) parameters and the recycled wires’ average grain sizes. FSE is a solid–state synthesis technique, in which machin أکثر

  In the present study, an artificial neural network (ANN) model is developed to predict the correlation between the friction stir extrusion (FSE) parameters and the recycled wires’ average grain sizes. FSE is a solid–state synthesis technique, in which machining chips are firstly loaded into the container, and then a rotating tool with a central hole is plunged into the chips at a selected rotational speed and feed rate to achieve indirect extrusion. Selecting rotational speed (RS), vertical speed (VS), and extrusion hole size (HS) as the input and average grain size as the output of the system, the 3–6–1 ANN is used to show the correlation between the input and output parameters. Checking the accuracy of the neural network, R squared value and Root–Mean–Square–Error (RMSE) of the developed model (0.94438 and 0.75794, respectively) have shown that there is a good agreement between experimental and predicted results. A sensitivity analysis has been conducted on the ANN model to determine the impact of each input parameter on the average grain size. The results showed that the rotational speed has more effect on average grain size during the FSE process in comparison to other input parameters. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  115 - Experimental and Numerical Investigation of the Arms Displacement in a New Electrothermal MEMS Actuator
  M. Kolahdoozan A. Rouhani Esfahani M. Hassani
  Microgrippers can be effectively applied for handling, positioning and assembling of the micro components. In the present study, a new design of a U-shape electrothermal microgripper was fabricated and developed with the voltages correspond between 1 to 10 volts. The mi أکثر

  Microgrippers can be effectively applied for handling, positioning and assembling of the micro components. In the present study, a new design of a U-shape electrothermal microgripper was fabricated and developed with the voltages correspond between 1 to 10 volts. The microgripper was made of silicone with thickness of 25 microns, and pieces between 460 to 480 microns. The proposed microgripper has a simpler design and more facile fabrication comparing to most reported electrothermal microgripper. The behavior of the microgripper was simulated in COMSOL software to measure the displacement of the arms which hold and heat generations during the voltage changes. The present microgripper has more thermal and voltage tolerance comparing to other electrothermal microgripper. Furthermore, the obtained amount of tip displacement for voltage changes is acceptable. Another simulation method based on a three layer artificial neural network model (ANN) was carried out. Feed forward back propagation algorithm was employed as training algorithm to predict the displacement. The obtained results from both models proved that ANN model had better estimation due to the mean absolute percentage error of 1.024% and determination coefficient of 0.9995. Moreover, they confirm higher capability and accuracy of ANN in prediction of arms displacement compared to FEM. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  116 - Prediction of Residual Stresses by Radial Basis Neural Network in HSLA-65 Steel Weldments
  M. Heidari
  This paper investigates the residual stress fields in the vicinity of weld bead in HSLA-65 steel weldments using a neural network. This study consists of two cases: (i) the experimental analysis was carried out on the measurement of residual stresses by XRD technique. M أکثر

  This paper investigates the residual stress fields in the vicinity of weld bead in HSLA-65 steel weldments using a neural network. This study consists of two cases: (i) the experimental analysis was carried out on the measurement of residual stresses by XRD technique. Many different specimens that were subjected to different conditions were studied. The values and distributions of residual stresses occurring in welding of HSLA-65 plate under various conditions were determined. (ii) The mathematical modeling analysis has proposed the use of radial basis (RB) NN to determine the residual stresses based on the welding conditions. The input of RBNN are welding current, welding voltage, welding heat input, travel speed of welding, wire feed speed and distance from weld. The best fitting training data set was obtained with 18 neurons in the hidden layer, which made it possible to predict residual stresses with accuracy of at least as good as the experimental error, over the whole experimental range. After training, it was found that the regression values (R2) are 0.999664 and 0.999322 for newrbe and newrb functions respectively. Similarly, these values for testing data are 0.999425 and 0.998505, respectively. Based on the verification errors, it was shown that the radial basis function of neural network with newrbe function is superior in this particular case, and has the average error of 7.70% in predicting the residual stresses in HSLA-65. This method is conceptually straightforward, and it is also applicable to other type of welding for practical purposes. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  117 - Experimental Study and Modeling of Friction Stir Welding Process of Aluminum 1100 Alloys, using Artificial Neural Network with Taguchi Method
  V. Zakeri Mehrabad Ali Doniavi A. Gholipoor
  In this paper, the temperature distribution in workpiece and microstructure of welded zone in friction stir welding of aluminum 1100 alloys and the effect of the tool rotational speed on these parameters have investigated experimentally. Also feed forward back propagati أکثر

  In this paper, the temperature distribution in workpiece and microstructure of welded zone in friction stir welding of aluminum 1100 alloys and the effect of the tool rotational speed on these parameters have investigated experimentally. Also feed forward back propagation neural network has been used to predict the temperature of the workpiece during the welding process by considering the process time and tool rotational speed as input parameters of the neural network. For this purpose, the Taguchi design of experiments has been used and the network with minimum mean squared error was selected. This way of neural network selection is very formal and effective than the existing methods. The selected network mean squared error with this approach is 0.000388, its most differences with experimental inputs is 0.770997ºC and its regression R values is 0.99113. Also according to experimental results, increasing tool rotational speed leads to higher plastic deformation in materials and also causes increasing the friction between tool and workpiece which leads to higher workpiece temperature. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  118 - Comparative Study and Robustness Analysis of Quadrotor Control in Presence of Wind Disturbances
  Reham Mohammed
  Controlling of the quadrotor has been noted for its trouble as the consequence of exceeds nonlinear system, strong coupled multivariable and external disturbances. Quadrotor position and attitude is controlled by several methodologies using feedback linearization, but w أکثر

  Controlling of the quadrotor has been noted for its trouble as the consequence of exceeds nonlinear system, strong coupled multivariable and external disturbances. Quadrotor position and attitude is controlled by several methodologies using feedback linearization, but when quadrotor works with unstructured inputs (e.g. wind disturbance), some limitations of this technique appear which influence flight work. Design control system with fast response, disturbance rejection, small error, and stability is the main objective of this work. So in this paper we can make use of new methods of control to design a controller of nonlinear robust with a reasonable performance to test the impact of wind disturbance in quadrotor control such as Fuzzy-PID controller and compared its results with the others four controllers which are PID tuned using GA, FOPID tuned using GA, ANN and ANFIS then discus which controller give the best results in the presence and absence of wind disturbance. The main objective of this paper is that performance of the designed control structure is computed by the fast response without overshoot and minim error of the position and attitude. Simulation results, shows that position and attitude control using FOPID has fast response and better steady state error and RMS error than Fuzzy-PID, ANFIS, ANN and PID tuned using GA without impact of wind disturbance but after impact of wind disturbance it was observed using Fuzzy-PID has fast response with minimum overshoot and better steady state error and RMS error than the other four controllers used in the paper and compared with most of literature reviews which didn't give the adequate results contrasted with the required position and attitude. The all controllers are tested by simulation under the same conditions using SIMULINK under MATLAB2015a. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  119 - Design of an Intelligent Adaptive Control with Optimization System to Produce Parts with Uniform Surface Roughness in Finish Hard Turning
  vahid pourmostaghimi Mohammad Zadshakoyan
  In this paper, a real-time intelligent adaptive control with optimization methodology is proposed to produce parts with uniform surface roughness in finish turning of hardened AISI D2. Unlike traditional optimization approaches, the proposed methodology considers cuttin أکثر

  In this paper, a real-time intelligent adaptive control with optimization methodology is proposed to produce parts with uniform surface roughness in finish turning of hardened AISI D2. Unlike traditional optimization approaches, the proposed methodology considers cutting tool real condition. Wavelet packet transform of cutting tool vibration signals followed by neural network was used to estimate tool flank wear. Intelligent models (artificial neural networks and genetic programming) were utilized to predict surface roughness and tool wear during machining process. Particle swarm optimization algorithm determined optimum feed rate that resulted in desired surface roughness. Performed confirmatory experiments indicated that the proposed adaptive control method not only resulted in parts with acceptable uniform quality, but also decreased the machining cost up to 8.8% and increased material removal rate up to 20% in comparison with those of traditional CNC turning systems. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  120 - Evaluation and Comparison of Different Artificial Neural Networks and Genetic Algorithm in Analyzing a 60 MW Combined Heat and Power Cycle
  parisa ghorbani Arash Karimipour
  10.30486/admt.2024.1983665.1405
  The constant growth of energy consumption, increased fuel costs, non-renewable fossil fuel sources, and environmental pollution caused by increased emission of greenhouse gases, and global warming highlight the need for the analysis and optimization of main energy gener أکثر

  The constant growth of energy consumption, increased fuel costs, non-renewable fossil fuel sources, and environmental pollution caused by increased emission of greenhouse gases, and global warming highlight the need for the analysis and optimization of main energy generation bases, i.e. power plants. The Artificial Neural Network (ANN) is a useful novel method for better processing information and controlling, and optimizing and modeling industrial processes. For the first time in this study, an ANN was designed and applied to data extracted from modeling and analyzing a 60 MW combined heat and power generation power plant. To this end, the error backpropagation network was selected as the optimal network, and the generator load or capacity, condenser pressure, and Feedwater temperature were considered inputs to the ANN. The energy and exergy efficiencies of the power plant and the overall energy and exergy losses of the cycle were considered outputs of the ANN. The ANN was coded and designed with the help of MATLAB. The Genetic Algorithm (GA) was used to obtain the optimal values of input parameters and the minimum losses and maximum efficiencies based on the first and second laws of thermodynamics. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  121 - Detection of Blood Vessels in Retina Images using Gray Level Grouping Method
  Majid Eskandari Shahraki Mehran Emadi
  The main part of the eye is the retina covering the entire back section of the eye. Eye disease is one of the most important cause of disability and even death in developed countries as well as in developing countries. Disorders created in the retina that occur due to s أکثر

  The main part of the eye is the retina covering the entire back section of the eye. Eye disease is one of the most important cause of disability and even death in developed countries as well as in developing countries. Disorders created in the retina that occur due to special diseases can be detected by specific retinal images. Studying the variations in retinal photos in a special time could help physicians to diagnose the associated diseases. In this paper, the detection of blood veins in retina photos was investigated. For this purpose, first a new method is proposed to promote the quality of retina photos by combining the histogram adjustment and gray level grouping. We use the feature vector to classify the pixels. Next, a method for classifying the images based on the feature extraction vector is required. The use of neural networks is one of the best and most widely used methods of machine learning for classification. We used a 3-layer Perceptron to classify pixels. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  122 - Analysis, Simulation and Optimization of LVQ Neural Network Algorithm and Comparison with SOM
  Saeed Talati Mohammadreza Hassani Ahangar
  The neural network learning vector quantization can be understood as a special case of an artificial neural network, more precisely, a learning-based approach - winner takes all. In this paper, we investigate this algorithm and find that this algorithm is a supervised v أکثر

  The neural network learning vector quantization can be understood as a special case of an artificial neural network, more precisely, a learning-based approach - winner takes all. In this paper, we investigate this algorithm and find that this algorithm is a supervised version of the vector quantization algorithm, which should check which input belongs to the class (to update) and improve it according to the distance and class in question. To give. A common problem with other neural network algorithms is the speed vector learning algorithm, which has twice the speed of synchronous updating, which performs better where we need fast enough. The simulation results show the same problem and it is shown that in MATLAB software the learning vector quantization simulation speed is higher than the self-organized neural network. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  123 - Depth Image Resolution Enhancement Using Discrete Wavelet Transform and Convolution Neural Networks
  Mohsen Ashourian Seyed Mehrdad Mahdavi
  10.52547/mjtd.10.1.9
  The depth image plays an increasingly important role in fundamental research and daily applications, with the reducing the price and increasing the number of affordable and portable depth cameras. Infrared sensors or depth sensors are widely used to control dynamic and أکثر

  The depth image plays an increasingly important role in fundamental research and daily applications, with the reducing the price and increasing the number of affordable and portable depth cameras. Infrared sensors or depth sensors are widely used to control dynamic and static 3D scenes. However, the depth image quality is limited to low-quality images, as the infrared sensor does not have high resolution. Therefore, given the problems and the importance of using 3-D images, the quality of these images should be improved in order to provide accurate images from depth cameras. In this paper a resolution enhancement method of depth images using convolutional neural networks is considered. A convolutional neural network with a depth of 20 and three layers and a pre-trained neural network is used. We developed the system and tested its performance for two datasets, Middlebury and EURECOM Kinect Face. Results show for EURECOM Kinect Face images, PSNR improvement is approximately 7 to 16 dB and for Middlebury images the PSNR improvement is about 6 to 12 dB. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  124 - A Survey on Face Recognition Based on Deep Neural Networks
  mohsen Norouzi Ali Arshaghi
  10.30486/mjtd.2023.1977609.1016
  Face recognition is one of the most important and challenging issues in computer vision and image processing. About half a century ago, since the first face recognition system was introduced, facial recognition has become one of the most important issues in industry and أکثر

  Face recognition is one of the most important and challenging issues in computer vision and image processing. About half a century ago, since the first face recognition system was introduced, facial recognition has become one of the most important issues in industry and academia. In recent years, with the developing of computers throughput and developments of a new generation of hierarchical learning algorithms called deep learning, much attention has been devoted to solving learning problems by deep learning algorithms. Deep neural networks perform feature learning instead of feature extraction which by this strategy they are much useful for image processing and computer vision problems. Deep neural network through feature learning perform data representation well and have gained many successes in learning and complex problems, many studies have been done on the application of deep neural networks to face recognition and many successes has been achieved. In this study we examine the neural network based methods used for face recognition such as multilayer perceptrons, restricted Boltzmann machine and auto encoders. Most of our study devoted to convolutional neural network as one of the most successful deep learning algorithms. At the end we have examined the results of the encountered methods on ORL, AR, YALE, FERET datasets and show deep neural network has gained high recognition rate in comparing with benchmark methods. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  125 - Road Detection with Deep Learning in Satellite Images
  Zohreh Dorrani
  10.30486/mjtd.2023.1979006.1024
  Road detection from high-resolution satellite images using deep learning is proposed in this article. The VGG19 architecture, which is one of the deep convolutional neural network architectures, is used in the proposed method. To detect the road, two steps are implement أکثر

  Road detection from high-resolution satellite images using deep learning is proposed in this article. The VGG19 architecture, which is one of the deep convolutional neural network architectures, is used in the proposed method. To detect the road, two steps are implemented. To achieve high accuracy, image segmentation is done in the first step. At this stage, based on the semantic division, the objects whose area is small are removed. In the second stage, edge detection of images combines two techniques of segmentation and edge detection to improve road detection. Considering the good accuracy of the VGG19 architecture and the need for few parameters, the obtained results are favorable. To check the performance of the proposed method, the IoU criterion was used. The values obtained for this criterion show an improvement of more than 80%. While this criterion is less than 80% for the compared methods. The obtained results can be used for the purposes of digital mapping, transportation management and many other applications. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  126 - Distinction of Target and Chaff Signals by Suggesting the Optimal Waveform in Cognitive Radar using Artificial Neural Network
  Seyed Mohammad Mahdi Ziaei Pouriya Etezadifar Yaser Norouzi Nadali Zarei
  10.30486/mjtd.2023.1980623.1027
  Using chaff to deflect missile guidance radar or missile seeker is a common and effective defense method in military vessels. To deal with this defensive method, focus on specific characteristics of the target and chaff signals. These features should be able to perform أکثر

  Using chaff to deflect missile guidance radar or missile seeker is a common and effective defense method in military vessels. To deal with this defensive method, focus on specific characteristics of the target and chaff signals. These features should be able to perform properly in different operating conditions of the radar or different environmental conditions that change the behavior of the radar’s return signals. But there is no feature that can distinguish the target from the target with appropriate accuracy in all conditions. In this article, a structure is presented for detecting chaff and target in a radar and has been able to improve the accuracy of target detection in presence of chaff. Also, to improve the performance of the radar with a cognitive approach, its transmitted waveform is optimally selected and changed at each stage. For this purpose, a feedback neural network with LSTM layers has been used. The general structure of the proposed method uses pre-processing on the received radar signals and extracts symmetry characteristics, Doppler spread and AGCD from it to contain the information for separating the target and chaff. Then, to remove the effect of noise on the features. Finally, these features are used to correctly distinguish the target from the chaff in a feed-forward neural network with fully connected layers. At the end, the effectiveness of this method is compared to the previous methods. It can be seen that the performance of the proposed system has made a significant improvement in accuracy of detection. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  127 - Improving Students' Performance Prediction using LSTM and Neural Network
  Hussam Abduljabar Salim Ahmed Razieh Asgarnezhad
  10.30486/mjtd.2023.1995783.1050
  Educational data mining utilizes information from academic fields to develop renewed techniques and spot unusual patterns to gauge students' academic achievement. Evaluating student learning is a complicated issue. Data mining in this field enables to predict students' أکثر

  Educational data mining utilizes information from academic fields to develop renewed techniques and spot unusual patterns to gauge students' academic achievement. Evaluating student learning is a complicated issue. Data mining in this field enables to predict students' performance to recommend performance in universities. Therefore, the current authors have recently seen the rapid growth of data mining and knowledge extraction as tools used by academic institutions to optimize student learning processes. Here, a method based on a certain kind of artificial neural network called Long Short Term Memory recurrent neural network for prediction will operate. The proposed approach tries to use the educational characteristics of different people to predict the best educational process future educational. It career for students and thereby take steps to improve the effectiveness of the educational system. For comparison, one of the newest algorithms presented in this field was implemented using the proposed technique. The evaluations' findings were performed in the form of two scenarios with different data sizes and different amounts of test and training data. For the evaluation, the dataset taken from an online educational system was used. The evaluation results are presented in the form of four well-known criteria precision, recall, accuracy, and F1, which demonstrate the superiority of the proposed method. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  128 - Detection and Segmentation of Breast Cancer Using Auto Encoder Deep Neural Networks
  Ageel Abed Mehran Emadi
  10.30486/mjtd.2023.1992477.1045
  Breast cancer is the most common type of cancer among women worldwide. If diagnosed by a doctor in the early stages, it can save the patient's life. Ultrasound imaging is one of the most widely used diagnostic tools for diagnosing and classifying breast abnormalities. H أکثر

  Breast cancer is the most common type of cancer among women worldwide. If diagnosed by a doctor in the early stages, it can save the patient's life. Ultrasound imaging is one of the most widely used diagnostic tools for diagnosing and classifying breast abnormalities. However, accurate segmentation of the ultrasound image is a challenging problem due to the artifacts created on the ultrasound image. Although deep learning-based methods have been able to overcome some of these challenges, the accuracy of tumor region detection in this image is still low. In this paper, we have proposed approaches for breast ultrasound image segmentation based on auto-encoder deep neural network. The proposed method has two parts. The classification section to determine the image with cancerous tissue and the tumor segmentation section to segment the desired area. which will be shown in the network output of the encoder itself. The proposed method has been evaluated qualitatively and quantitatively. The superiority of the proposed method with accuracy and dice criteria is 89 and 90 percent, respectively which shows the effectiveness of this method in diagnosis. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  129 - ارزیابی کارایی شبکه عصبی مصنوعی در پیش بینی روند بیابان زایی با استفاده از سیستم اطلاعات جغرافیایی GIS (مطالعة موردی: دشت دهلران، ایلام)
  ثریا یعقوبی مرزبان فرامرزی حاجی کریمی جواد سروریان
  یکی از مشکلات اصلی مناطق خشک و نیمه‌خشک حاکمیت پدیده بیابان زایی است. بنابراین، شناخت و پیش‌بینی عوامل مؤثر در پیشرفت پدیده بیابان‌زایی می‌تواند در مدیریت بهتر این مناطق مؤثر واقع شود. هدف از این تحقیق ارزیابی صحت مدل شبکه عصبی مصنوعی در پیش‌بینی روند بیابان‌زایی و انتخ أکثر

  یکی از مشکلات اصلی مناطق خشک و نیمه‌خشک حاکمیت پدیده بیابان زایی است. بنابراین، شناخت و پیش‌بینی عوامل مؤثر در پیشرفت پدیده بیابان‌زایی می‌تواند در مدیریت بهتر این مناطق مؤثر واقع شود. هدف از این تحقیق ارزیابی صحت مدل شبکه عصبی مصنوعی در پیش‌بینی روند بیابان‌زایی و انتخاب مؤثرترین معیار بیابان‌زایی در دشت دهلران با استفاده از مدل ایرانی ارزیابی وضعیت بیابان‌زایی (IMDPA) است. در این روش دو معیار آب و اقلیم به عنوان عوامل مؤثر در بیابان‌زایی انتخاب شدند. برای معیار اقلیم سه شاخص بارش سالانه، شاخص SPI و تداوم خشک‌سالی و برای معیار آب پنج شاخص افت آب، نسبت جذب سدیم، کلر، هدایت الکتریکی و کل مواد محلول در آب ارزیابی شد. با استفاده از مدل مذکور هر شاخص امتیازدهی شد. سپس با میانگین هندسی نقشه‌های معیار و شدت بیابان‌زایی در نرم‌افزار ArcGIS®93 برای دوره مورد نظر تهیه شد. در نهایت داده‌ها به شبکه عصبی مصنوعی جهت پیش‌بینی وارد شدند. نتایج نشان‌دهنده کارایی بالای مدل‌های شبکه عصبی مصنوعی در پیش‌بینی روند بیابان‌زایی بود به گونه‌ای که دقت شبکه بالای 80 درصد و میانگین مربعات خطا کمتر از یک بدست آمد. همین‌طور بر اساس نتایج بدست آمده برای دوره پیش‌بینی شده مهم‌ترین معیارهای احتمالی تأثیرگذار بر شدت بیابان‌زایی منطقه به ترتیب معیارهای اقلیم و آب با متوسط‌ وزنی 2 (متوسط زیر کلاس 1، 2 و 3)، 84/1 (متوسط زیر کلاس 1 و 2) رتبه‌بندی گردیدند. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  130 - بررسی کارایی شبکه یادگیری عمیق در شناسایی تغییرات اراضی با استفاده از تصاویر دو زمانه لندست-8
  سهند طاهرمنش بهنام اصغری بیرامی مهدی مختارزاده
  10.30495/girs.2022.693348
  علم سنجش‌ازدور با به‌کارگیری تصاویر چند زمانه ماهواره‌ای، امکان پایش تغییرات در فواصل زمانی مختلف را فراهم کرده است. رویکرد پیکسل مبنا در شناسایی تغییرات توانایی ارائه ‌دقت بالا را ندارد و ازاین‌رو باید ویژگی‌های مکانی در کنار ویژگی‌های طیفی بکار روند. استفاده از روش‌ها أکثر

  علم سنجش‌ازدور با به‌کارگیری تصاویر چند زمانه ماهواره‌ای، امکان پایش تغییرات در فواصل زمانی مختلف را فراهم کرده است. رویکرد پیکسل مبنا در شناسایی تغییرات توانایی ارائه ‌دقت بالا را ندارد و ازاین‌رو باید ویژگی‌های مکانی در کنار ویژگی‌های طیفی بکار روند. استفاده از روش‌های سنتی تولید ویژگی‌ مکانی مانند ماتریس هم رخداد با چالش‌هایی روبه‌رو است. تولید این ویژگی‌ها علاوه بر این‌که وابسته به انتخاب کاربر است، به‌صورت ناخواسته باعث افزایش فضای ویژگی می‌گردد. تمرکز اصلی مقاله حاضر در به‌کارگیری ویژگی‌های طیفی-مکانی در راستای حل محدودیت روش‌های سنتی در شناسایی تغییرات می‌باشد. در این تحقیق، ویژگی‌های طیفی-مکانی توسط خود شبکه یادگیری عمیق پیشنهادی استخراج شده و در طبقه‌بندی بکار گرفته‌شده‌اند. تصاویر لندست-8، ورودی شبکه بوده و فرایند استخراج ویژگی‌ به‌صورت سلسله مراتبی صورت گرفته است. بر اساس ویژگی‌های طیفی-مکانی عمیق تولیدی از لایه‌های شبکه، خروجی شبکه تصاویر طبقه‌بندی‌شده‌ی قبل و بعد می‌باشد. درنهایت، بر اساس رویکرد پساطبقه‌بندی نقشه تغییرات حاصل می‌گردد. از شبکه پیشنهادی جهت ارزیابی تغییرات شهر سهند با استفاده از تصاویر سنجنده لندست-8 در بین سال‌های 2013 تا 2021 استفاده ‌شده است. برای اثبات قابلیت شبکه پیشنهادی در به‌کارگیری ویژگی و طبقه‌بندی دقیق تصاویر، نتایج حاصل‌شده با نتایج روش‌های جنگل تصادفی و شبکه عصبی مصنوعی مقایسه ‌شده است. نتایج شناسایی تغییرات نشان داد که به‌کارگیری شبکه یادگیری عمیق پیشنهادی دقت کلی شناسایی تغییرات باینری را به ترتیب به میزان 88/13% و 80/12% نسبت به شبکه عصبی مصنوعی و جنگل تصادفی افزایش می‌دهد. همچنین به‌کارگیری شبکه پیشنهادی دقت کلی نقشه ماهیت تغییرات را به ترتیب به میزان 81/57% و7/65% در مقایسه با جنگل تصادفی و شبکه عصبی مصنوعی افزایش داده است. روش‌های جنگل تصادفی و شبکه عصبی مصنوعی علیرغم اینکه توانسته‌اند محل تغییرات را شناسایی کنند اما در ارائه نوع ماهیت تغییرات عملکرد نامناسبی ارائه کرده‌اند. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  131 - پیش‌بینی اثرات تغییر اقلیم بر پراکنش بالقوه گونه بادامک (Amygdalus scoparia) با استفاده از مدل‌سازی اجماعی در زاگرس مرکزی
  مریم حیدریان آقاخانی رضا تمرتاش زینب جعفریان مصطفی ترکش اصفهانی محمدرضا طاطیان
  پیش‌بینی اثر تغییر اقلیم بر پراکنش گونه‌های گیاهی با ارزش، امری ضروری در راستای حفاظت و مدیریت آن‌ها محسوب می‌شود. بادامک (Amygdalus scoparia) یکی از گونه‌های وحشی بادام و بومی ایران است. این مطالعه با هدف پیش‌بینی اثر تغییر اقلیم بر پراکنش جغرافیایی گونه بادامک در استا أکثر

  پیش‌بینی اثر تغییر اقلیم بر پراکنش گونه‌های گیاهی با ارزش، امری ضروری در راستای حفاظت و مدیریت آن‌ها محسوب می‌شود. بادامک (Amygdalus scoparia) یکی از گونه‌های وحشی بادام و بومی ایران است. این مطالعه با هدف پیش‌بینی اثر تغییر اقلیم بر پراکنش جغرافیایی گونه بادامک در استان چهارمحال و بختیاری واقع در منطقه زاگرس مرکزی صورت گرفت. پنج روش مدل‌سازی پراکنش گونه‌ای، شامل مدل خطی تعمیم‌یافته، آنالیز طبقه‌بندی درختی، شبکه عصبی مصنوعی، روش بوستینگ تعمیم‌یافته و جنگل تصادفی در چارچوب روش اجماعی و با استفاده از بسته Biomod در نرم‌افزار R مورد استفاده قرار گرفتند. نتایج مطالعه نشان داد که همه مدل‌های مورد استفاده در این مطالعه، مقادیر AUC بالاتر از 9/0 و عملکرد عالی دارا بودند. میانگین دمای خشک‌ترین فصل و بارندگی سالانه در حدود 85 درصد تغییرات پراکنش گونه را توجیه ‌نمودند و بیشترین سهم را در تعیین مطلوبیت رویشگاه گونه داشتند. بر اساس نتایج حاصل از اجماع مدل‌ها، 9 درصد (148680 هکتار) از مساحت استان برای گونه بادامک، دارای تناسب رویشگاهی زیاد تعیین شد. مساحت رویشگاه مطلوب گونه در شرایط آب و هوایی حال حاضر و آینده توسط نرم‌افزار ArcGIS محاسبه گردید. تغییرات پراکنش جغرافیایی گونه در سال 2050 تحت سناریوهای اقلیمی 5/4RCP و 5/8RCP نشان داد که وسعت رویشگاه گونه کاهش می‌یابد (به ترتیب 43 و 59 درصد) و در برخی مناطق نیز شاهد بروز مناطق مستعد وقوع گونه خواهیم بود (به ترتیب 135 و 140 درصد). از نتایج این مطالعه می‌توان در برنامه‌ریزی‌های حفاظتی و اصلاحی گونه بادامک استفاده نمود. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  132 - تفکیک طیفی گونه های مهم باغی با استفاده از شاخص های ابرطیفی و رویکردهای هوش مصنوعی
  محسن میرزائی مژگان عباسی صفر معروفی عیسی سلگی روح اله کریمی
  مطالعه انعکاس طیفی پدیده‌ها از طریق شاخص های طیفی امکان استفاده بهینه از دامنه وسیع طول‌موج‌های طیفی را در داده‌های ابرطیفی فراهم می‌کند. هدف از تحقیق، معرفی و ارزیابی عملکرد شاخص های طیفی در تفکیک گونه های غالب باغی در استان چهارمحال و بختیاری است. در این تحقیق 150 أکثر

  مطالعه انعکاس طیفی پدیده‌ها از طریق شاخص های طیفی امکان استفاده بهینه از دامنه وسیع طول‌موج‌های طیفی را در داده‌های ابرطیفی فراهم می‌کند. هدف از تحقیق، معرفی و ارزیابی عملکرد شاخص های طیفی در تفکیک گونه های غالب باغی در استان چهارمحال و بختیاری است. در این تحقیق 150 نمونه طیفی در محدوده 350 الی 2500 نانومتر، از گونه های انگور، گردو و بادام در انواعی از شرایط برداشت شد و پس از تصحیح اولیه، 30 عدد از مهم‌ترین شاخص های طیفی موجود در این زمینه استخراج شدند. آزمون واریانس و مقایسه میانگین ها جهت شناسایی شاخص های بهینه در تفکیک گونه ها، در سطح 99 درصد اطمینان اجرا شد. سپس از دو رویکرد شبکه عصبی مصنوعی و ماشین بردار پشتیبان جهت ارزیابی عملکرد شاخص ها در تفکیک گونه ها استفاده شد. نتایج آزمون واریانس نشان داد که شاخص های تنش رطوبت، نسبت باند در 1200 نانومتر، شاخص نرمال شده فئوئوفیتین و شاخص جذب سلولز جهت تفکیک گونه های موردمطالعه بهینه هستند. نتایج ارزیابی عملکرد شاخص های معرفی‌شده نتیجه 100 درصد تفکیک گونه‌ها را در دو رویکرد شبکه عصبی مصنوعی و ماشین بردار پشتیبان، در هر دو مرحله آموزش و آزمون نشان داده است. این نتایج لزوم انجام مطالعات طیف‌سنجی را برای تفکیک گونه های باغی پیش از تحلیل داده‌های تصویری ابرطیفی به دلیل حجم وسیع و هزینه بیشتر تهیه و تحلیل آن‌ها نشان می دهد. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  133 - مدل سازی و پهنه بندی پارامترهای کیفیت آب با استفاده از تصاویر ماهواره ای سنتینل-2 و هوش محاسباتی (مطالعه موردی: رودخانه کارون)
  کاظم رنگزن مصطفی کابلی زاده محسن رشیدیان حسین دلفان
  با توجه به پیشرفت های صورت گرفته در فناوری سنجش‌ازدور، جمع آوری اطلاعات از وضعیت کیفی منابع آب سطحی به وسیله این فناوری ضمن کاهش هزینه و زمان نمونه برداری های سنتی، می تواند تمامی پهنه های آب سطحی را مورد پایش قرار دهد. در این مطالعه قابلیت تصاویر ماهواره سنتینل أکثر

  با توجه به پیشرفت های صورت گرفته در فناوری سنجش‌ازدور، جمع آوری اطلاعات از وضعیت کیفی منابع آب سطحی به وسیله این فناوری ضمن کاهش هزینه و زمان نمونه برداری های سنتی، می تواند تمامی پهنه های آب سطحی را مورد پایش قرار دهد. در این مطالعه قابلیت تصاویر ماهواره سنتینل-2 جهت برآورد غلظت پارامترهای اسیدیته، بیکربنات و سولفات موردبررسی قرار گرفت. ابتدا تصاویر ماهواره سنتینل-2 پیش پردازش شد و سپس باندها و شاخص های طیفی مناسبی جهت شناسایی ارتباط معنی دار میان مقادیر هر پارامتر کیفیت آب و تصاویر با استفاده از روش رگرسیون چند متغیره تعیین گردید. در مرحله بعد با به‌کارگیری دو مدل شبکه عصبی مصنوعی ANN و مدل سیستم استنتاج فازی-عصبی تطبیق یافته ANFIS، ارتباط میان تصاویر ماهواره سنتینل-2 و پارامترهای کیفیت آب به تفکیک مدل‌سازی شده و سپس دقت آن ها به ازای مقادیر واقعی محاسبه گردید. نتایج نشان داد که در مدل‌سازی پارامتر سولفات با استفاده از ماهواره سنتینل-2، مدل ANFIS به ترتیب با خطای نسبی و جذر میانگین مربعات خطا RMSe برابر 0.0773 و 0.8014 نسبت به مدل شبکه عصبی مصنوعی با خطای نسبی و RMSe برابر 0.1581 و 1.2477 دقت بالاتری دارد؛ درحالی‌که در مدل‌سازی پارامترهای اسیدیته و بیکربنات، نتایج حاصل از مدل شبکه عصبی مصنوعی با خطای نسبی به ترتیب برابر با 0.0064 و 0.0556 و RMSe برابر با 0.0702 و 0.2691 برای هر دو پارامتر بهتر از مدل سیستم استنتاج فازی-عصبی تطبیق یافته با خطای نسبی به ترتیب برابر با 0.0165 و 0.0722 و RMSe برابر با 0.1975 و 0.3307 است. درنهایت با اعمال مدل های تهیه‌شده بر روی تصاویر ماهواره ای، نقشه وضعیت کیفی هر پارامتر در طول قسمتی از رودخانه کارون تهیه گردید. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  134 - مطالعه و پیش‌بینی تغییرات دمای سطح زمین شهر یزد: بررسی اثر مجاورت و تغییرات پوشش اراضی
  محمد منصورمقدم ایمان روستا محمدصادق زمانی محمد حسین مختاری محمد کریمی فیروزجایی سید کاظم علوی پناه
  10.30495/girs.2021.682083
  پیشینه و هدف گسترش شهرنشینی مقیاس و شدت گسترش جزایر حرارتی در شهرها را گسترش داده است. بررسی و مطالعه نحوه تأثیرپذیری شهرها از این جزایر حرارتی نقش مهمی در آینده برنامه‌ ریزی برای شهرها ایفا می‌کند. به همین منظور، این پژوهش اثر تغییرات پوشش اراضی شهر یزد در سه دسته مناط أکثر

  پیشینه و هدف گسترش شهرنشینی مقیاس و شدت گسترش جزایر حرارتی در شهرها را گسترش داده است. بررسی و مطالعه نحوه تأثیرپذیری شهرها از این جزایر حرارتی نقش مهمی در آینده برنامه‌ ریزی برای شهرها ایفا می‌کند. به همین منظور، این پژوهش اثر تغییرات پوشش اراضی شهر یزد در سه دسته مناطق شهری، پوشش گیاهی و زمین‌ های بایر بر دمای سطح زمین را برای شهر یزد طی 30 سال اخیر با استفاده از تصاویر لندست 5 و 8 بررسی می‌کند. این پژوهش همچنین نسبت مجاورت پیکسل ‌های پوشش گیاهی و زمین ‌های بایر به ‌منظور بررسی نحوه تأثیرپذیری دمای سطح زمین ثبت ‌شده توسط سنجنده را در همین دوره زمانی مورد ارزیابی قرار می‌ دهد.مواد و روش ها ابتدا نقشه ‌های پوشش اراضی شهر یزد با استفاده از الگوریتم طبقه بندی نظارت‌ شده شبکه عصبی برای سال ‌های 1990، 2000، 2010 و 2020 به دست آمد. از داده‌ های زمینی، گوگل ارث و نقشه ‌های واقعیت زمینی به ‌منظور تهیه داده های تعلیمی استفاده شد. نقشه ‌های دمای سطح زمین شهر یزد از تصاویر باند حرارتی لندست 5 و 8 محاسبه شد. سپس نقشه های دمای سطح زمین به 6 کلاس دمایی موجود ازجمله؛ 16-20، 21-25، 26-30، 31-35، 36-40 و 41-46 درجه سانتی ‌گراد طبقه بندی شد که نشان داده شد که چهار کلاس انتهایی، نقش عمده ای در دمای سطح زمین این شهر طی 30 سال اخیر داشت. به ‌منظور ارزیابی اثر مجاورت کلاس های پوشش اراضی بایر و پوشش گیاهی بر دمای سطح زمین ثبت ‌شده توسط سنجنده، ابتدا نسبت مجاورت هر یک از پیکسل ها در یک پنجره (کرنل) 5×5 محاسبه شد. سپس میانگین دمای سطح زمین محاسبه شد. میانگین دمای سطح زمین بر اساس نسبت مجاورت با هریک از کلاس‌های پوشش گیاهی و زمین‌های بایر به دست آمد.نتایج و بحث بر اساس نتایج به ‌دست ‌آمده، در شهر یزد، از سال 1990 تا 2020، مساحت منطقه شهری به‌طور فزاینده ‌ای رشد داشته است. به طوری که این منطقه طی 30 سال اخیر 91.5 درصد (33.6 کیلومترمربع) رشد داشته است. زمین ‌های بایر و پوشش گیاهی اما، در این منطقه و در دوره زمانی یکسان با رشد منفی همراه بوده ‌اند. به ‌گونه‌ای که زمین ‌های بایر، از سال 1990 تا 2020، در شهر یزد، رشد -79.4 درصدی (21.3 کیلومترمربع) را تجربه کرده ‌اند که رشد شدید مناطق شهری، این رشد منفی در زمین ‌های بایر، را توجیه می‌ کند. طبقات پوشش گیاهی شهر یزد از سال 1990 تا 2020، رشد -68.5 درصدی (12.2 کیلومترمربع) را نشان داد. میانگین دمای سطح زمین این شهر طی همین دوره 30 ساله به ‌صورت مداوم افزایشی بوده است. به طوری که تا سال 2020، شهر یزد با رسیدن به میانگین 38.1 درجه سانتی‌ گراد نسبت به 29.2 درجه سانتی ‌گراد در 1990، افزایش 30.4 درصدی را در میانگین دمای سطح زمین خود تجربه کرده است. کلاس ‌های دمایی این شهر نیز در این 30 سال به سمت کلاس ‌های دمایی گرم‌ تر حرکت کرده ‌اند. به‌ گونه‌ای که عمده ‌ترین بخش مساحت‌ های دمایی سطح زمین شهر یزد، در سال 1990 در وهله نخست، در کلاس 26-30 درجه با 47 کیلومترمربع سانتی‌ گراد و در وهله دوم در کلاس 31-35 درجه با 26.4 کیلومترمربع طبقه‌ بندی می ‌شوند. این در حالی است که در سال 2000، در روندی معکوس، کلاس دمایی 35-31 درجه سانتی‌ گراد با 52.8 کیلومترمربع در وهله نخست و کلاس دمایی 26-30 درجه سانتی ‌گراد با 20 کیلومترمربع در وهله دوم قرار دارد. با یک کلاس افزایش، کلاس دمایی 36-40 درجه سانتی ‌گراد برای هردو سال 2010 و 2020 با به ترتیب 40.2 و 63 کیلومترمربع به ‌عنوان بزرگ‌ترین کلاس دمایی ثبت‌شده است. کلاس دمایی 31-35 درجه سانتی‌ گراد نیز به‌ عنوان کلاس دمایی دوم هر دو سال به ترتیب با 33.2 و 9.7 کیلومترمربع ثبت ‌شده است. تفاوت این دو سال، در رشد -70.7 درصدی (23.5 کیلومترمربع) مساحت کلاس 31-35 درجه سانتی ‌گراد و افزایش رشد 10.3 درصدی (0.8 کیلومترمربع) گرم‌ترین کلاس کل دوره آماری، 41-46 درجه سانتی ‌گراد، در سال 2020، نسبت به سال 2010 است. نتایج این مطالعه نشان داد بیشترین میانگین دمایی در تمام سال ها برای زمین‌های بایر با 37.3 درجه سانتی ‌گراد ثبت‌ شده است. همچنین همبستگی مثبت (میانگین همبستگی 0.95) بین مجاورت با پوشش اراضی بایر و میانگین دمای سطح زمین نیز نمایش داده شد. با این ‌وجود، روند شدید افزایشی مناطق شهری در کل دوره آماری (91.5 درصد با 33.6 کیلومترمربع) به‌ عنوان دومین کلاس با بیشترین میانگین دمایی پس از زمین ‌های بایر با میانگین 34.1 درجه سانتی‌گراد در مقابل روند کاهشی 79.4 درصدی (21.3 کیلومترمربع) زمین‌ های بایر موجب افزایش میانگین دمای سطح زمین طی دوره آماری 30 ساله شده است. چراکه کاهش 68.5 درصدی (12.2 کیلومترمربع) مناطق پوشش گیاهی به‌عنوان کلاس پوشش اراضی با کمترین میانگین دمای سطح زمین (32.2 درجه سانتی‌گراد) در همین دوره، اثر کاهش زمین‌های بایر را خنثی، و روند افزایش میانگین دمای سطح زمین را تشدید کرده است. این در حالی است که همبستگی منفی (میانگین همبستگی -0.97) میان نسبت مجاورت با پوشش گیاهی و میانگین دمای سطح زمین به اثبات رسید. نتایج حاصل از پیش‌بینی تغییرات پوشش زمین در سال 2030 برای شهر یزد بیانگر آن است که در روندی مشابه با دوره‌ های قبل، پوشش مناطق شهری با افزایش روبرو خواهد بود. این رشد، نسبت به سال 2020، با 1.6 درصد (1.1 کیلومترمربع) چشمگیر نخواهد بود. اما کاهش چشمگیر مناطق سبز (پوشش گیاهی) با -19.6 درصد (1.1 کیلومترمربع) در همین دوره، به همراه ناچیز بودن کاهش زمین‌های بایر (-1.8 درصد با 0.1 کیلومترمربع) سبب گرم‌تر شدن زمین، و رشد مساحت کلاس‌ های دمای سطح زمین در سال 2030 خواهد شد. بر این اساس، عمده‌ ترین مساحت کلاس دمای سطح زمین در سال 2030 برای شهر یزد، همانند سال 2020، 36-40 درجه سانتی‌گراد با 58.2 کیلومترمربع (-7.6 درصد رشد نسبت به دوره 2020) پیش‌بینی‌شده است. اما رشد فزاینده و چشمگیر گرم‌ترین کلاس دوره آمار (41-46 درجه سانتی‌گراد) با 166.3 درصد (14.3 کیلومترمربع) رشد مثبت به ‌عنوان دومین کلاس عمده دمای سطح زمین در این سال (2030)، و نیز رشد منفی و چشمگیر کلاس نسبتاً خنک‌تر 31-35 درجه سانتی‌گراد با -97.9 درصد (9.5 کیلومترمربع) در این سال بیانگر گرم‌تر شدن دمای سطح زمین در سال 2030 خواهد بود.نتیجه گیری نتایج این پژوهش نشان می دهد که در یک دوره 30 ساله در شهر یزد، کاهش پوشش گیاهی در وهله نخست، به همراه افزایش مناطق شهری در وهله دوم، سبب افزایش دمای سطح زمین شده است. بدین ترتیب، کلاس پوشش گیاهی به دلیل اثر خنک‌کننده خود به دلیل دارا بودن آب، سبب کاهش دمای سطح زمین می ‌شود. در این پژوهش نشان داده شد که با ثابت در نظر گرفتن تمام عوامل، کاهش زمین ‌های بایر به کاهش دمای سطح زمین منجر خواهد شد و همچنین افزایش مناطق شهری با ضریب تأثیر کمتر از زمین ‌های بایر، دمای سطح زمین را افزایش می ‌دهند. با این ‌حال کاهش مساحت زمین‌ های سبز (پوشش گیاهی) در سال‌ های اخیر، به همراه افزایش شدید مساحت زمین ‌های مناطق شهری موجب افزایش دمای سطح زمین در این شهر شده است. همچنین رابطه منفی بین مجاورت با پوشش گیاهی رابطه مثبت بین مجاورت با زمین‌ های بایر با میانگین دمای سطح زمین ثبت‌شده یافت شد. افزایش مجاورت با پوشش گیاهی از طریق ایجاد زمین ‌های سبز با افزایش میزان نسبت پوشش گیاهی در مجاورت پوشش ‌های مختلف و نیز کاهش مساحت زمین ‌های بایر، می‌ تواند راهکار مناسبی در مقابله با تأثیر گسترش شهرنشینی در سال‌ های اخیر بر روی دمای سطح زمین باشد. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  135 - ارزیابی دقت داده‌های پهپاد در برآورد میزان خشکیدگی درختان شمشاد (مطالعه موردی: پارک جنگلی سیسنگان- استان مازندران)
  محمدرضا کارگر یونس بابایی امیراسلام بنیاد
  10.30495/girs.2021.679275
  پیشینه و هدف پارک جنگلی سیسنگان یکی از زیستگاه های مهم شمشاد خزری در کشور به‌حساب می آید. اما در چند سال اخیر به دلیل بیماری خشکیدگی دچار بحران شده و بسیاری از پایه های شمشاد از بین رفته اند. پایش و مدیریت این منطقه می تواند در اموری مانند کنترل، حفاظت و حمایت این منطقه أکثر

  پیشینه و هدف پارک جنگلی سیسنگان یکی از زیستگاه های مهم شمشاد خزری در کشور به‌حساب می آید. اما در چند سال اخیر به دلیل بیماری خشکیدگی دچار بحران شده و بسیاری از پایه های شمشاد از بین رفته اند. پایش و مدیریت این منطقه می تواند در اموری مانند کنترل، حفاظت و حمایت این منطقه مؤثر باشد. به دلیل مساحت زیاد پایه های از بین رفته، امکان برآورد مساحت به‌صورت دقیق با استفاده از داده های موجود وجود ندارد. اندازه گیری های دستی نیز کاری بسیار زمان‌بر و طاقت فرساست. این امر مستلزم این است تا راهی بیابیم که به‌صورت دقیق و خودکار این فرآیند را انجام دهد. پهپادها با استفاده از سنجنده های بسیاری دقیقی (تفکیک مکانی) که دارند، این امکان را فراهم آورده اند. روش های مختلف طبقه بندی نیز از راهکارهایی هستند که می توان به‌منظور تفکیک خودکار درختان خشکیده از درختان سبز به کار گرفت. هدف از این پژوهش، ارزیابی توانایی داده های پهپادهای ارزان قیمت با سنجنده ‌های معمولی در آشکارسازی و پهنه بندی مناطق دچار خشکیدگی اثبات گردد و با توجه به اینکه هزینه پهپادهایی با سنجنده های چند طیفی (باند لبه قرمز و مادون ‌قرمز نزدیک) بسیار زیاد است، بتوان این هزینه را کاهش داد.مواد و روش هاپارک جنگلی سیسنگان در 30 کیلومتری شرق شهرستان نوشهر استان مازندران در عرض جغرافیایی "30 ́ 33 ̊ 36 تا "30 ́ 35 ̊ 36 و طول جغرافیایی "00 ́ 47 ̊ 51 تا "30 ́ 49 ̊ 51 قرارگرفته است. این پارک علاوه بر نقش تفرجی که دارد بسیاری از گونه های گیاهی مهم کشور در آن رشد یافته اند. ازجمله مهم‌ترین این گونه ها می توان به شمشاد خزری اشاره کرد. پهپادی که در این پژوهش استفاده گردید از نوع پهپادهای عمودپرواز است. دوربینی که بر روی این وسیله تعبیه ‌شده است قابلیت ثبت تصاویر 20 مگاپیکسلی را دارد. عملیات تصویربرداری در تاریخ هشتم آذرماه 1396، ساعت 10 صبح انجام پذیرفت که مدت‌زمان آن 45 دقیقه طول کشید. برای نمونه برداری میدانی از منطقه موردمطالعه بازدید به عمل آمد و نقاط مختلف آن ازنظر تراکم پایه های خشکه‌دار شمشاد و درختان سبز مشخص گردید. سپس سه قطعه‌نمونه دایره ای با شعاع 60 متر و مساحت 1.13 هکتار در منطقه طراحی گردید و تراکم پایه های خشکه دار شمشاد و پایه های زنده و سبز در آن ها مشخص گردید. سپس در هر قطعه‌ نمونه در نقاطی که پایه های شمشاد قرار داشتند، 50 نقطه تعلیمی و همچنین در نقاطی که پایه های زنده، پوشش علفی کف و تمشک نیز قرار داشتند، 50 نقطه ثبت گردید. در این پژوهش به‌منظور بررسی میزان دقت تصاویر پهپاد در شناسایی و طبقه بندی مناطق پوشیده از خشکه دار های شمشاد، کوچک‌ترین پایه های خشکه‌دار شمشاد که کمترین وسعت تاج را داشتند نیز ثبت گردید. به دلیل اینکه تصاویر پهپاد احتیاج به تصحیحات هندسی دارند، ابتدا ازنظر هندسی و موقعیت جغرافیایی تصحیح شدند. به‌منظور انجام فرآیند طبقه بندی، وارد نرم افزار ENVI شدند. در هر قطعه‌نمونه 100 نقطه ثبت گردیده بود که 75 عدد از آن ها برای انجام فرآیند طبقه بندی نظارت‌شده و 25 عدد از آن ها نیز برای ارزیابی صحت طبقه بندی استفاده گردید. برای طبقه بندی این تصاویر از سه الگوریتم طبقه بندی نظارت ‌شده شبکه عصبی مصنوعی، حداکثر احتمال و حداقل فاصله به‌ کاربرده شد. در پایان پس از انجام هرکدام از مراحل طبقه بندی، از فیلتر پایین گذر با ابعاد پنجره 3 در 3 پیکسل، برای هموارسازی تصاویر استفاده شد. برای ارزیابی نتایج نیز شاخص های ضریب کاپا و دقت کلی به کار گرفته شد.نتایج و بحث در این تعداد قطعه‌نمونه، 579 پایه اندازه گیری گردید. شمشاد با اختلاف زیادی، بیشترین فراوانی را در منطقه به خود اختصاص داد. پس‌ازآن ممرز و انجیلی و بلوط به ترتیب دررتبه های بعدی قرار دارند. از نتایج حاصل مشخص شد که الگوریتم شبکه عصبی مصنوعی بهترین نتایج را نسبت به دو الگوریتم دیگر داشته است. اما نتایج شبکه عصبی مصنوعی نیز با توجه به شرایط قطعه‌نمونه دارای نوساناتی است. این الگوریتم با دقت کلی 97.47 درصد و ضریب کاپا 0.94 بهترین نتایج را در تفکیک و آشکارسازی خشکه دار های شمشاد در قطعه‌نمونه با غلبه خشکه دارهای شمشاد داشتند. پس از الگوریتم شبکه عصبی مصنوعی، الگوریتم بیشینه شباهت نتایج مطلوب تری را در تفکیک پایه های خشکه‌دار شمشاد از خود نشان داد. الگوریتم کمترین فاصله نتایج مطلوبی از خود نشان داد، اما میزان دقت آن به‌اندازه دو الگوریتم قبل نبود. هر سه الگوریتم در تفکیک پایه ها در قطعه‌نمونه با غلبه پایه های زنده نتایج ضعیف تری را نسبت به دو قطعه‌نمونه دیگر از خود نشان دادند. قطعه‌نمونه با غلبه پایه های زنده و سبز در مقایسه با دو قطعه‌نمونه دیگر پدیده‌ها و عوارض بیشتری را در خود جای‌داده است و از نظر بافت تصویر نیز در مقایسه با دو قطعه ‌نمونه دیگر تفاوت های زیاد و محسوسی دارد. در این قطعه ‌نمونه علاوه بر وجود پایه های سبز و خشکه‌ دارهای شمشاد، پوشش علفی کف و توده های تمشک نیز به چشم می خورد. در این پژوهش نتایج طبقه بندی و آشکارسازی خشکه دارهای شمشاد با استفاده از الگوریتم شبکه عصبی مصنوعی بسیار بهتر از الگوریتم های بیشینه شباهت و کمترین فاصله بود. ازجمله دلایل بهتر بودن نتایج الگوریتم شبکه عصبی مصنوعی می توان به غیرخطی بودن و ناپارامتریک بودن آن اشاره کرد. اما در طبقه بندی به‌وسیله الگوریتم های سنتی مانند روش های آماری، به دلیل اینکه انعطاف پذیری کمتری دارند، دقت پایین‌تری داشته. انواع پارامتریک روش های سنتی مانند الگوریتم بیشینه شباهت، به خاطر وابستگی به آمار گوسی، درصورتی‌که داده ها نرمال نباشند نمی تواند دقت مطلوبی در طبقه بندی و تفکیک طبقات از یکدیگر داشته باشد. در الگوریتم های سنتی مانند الگوریتم های بیشینه شباهت و کمترین فاصله، داده های آموزشی نقش حیاتی دارند. در این روش ها فرض بر این است که توزیع در داخل نمونه های آموزشی باید نرمال باشد، به‌طوری‌که اگر نتوان این شرط را محیا نمود، دقت طبقه بندی به‌شدت کاهش می یابد. درحالی‌که روش های شبکه عصبی مصنوعی بر اساس ویژگی ها و ساختار خود داده ها عمل می کنند.نتیجه گیری نتایج حاصل از این پژوهش نشان داد که می توان با استفاده از داده ها و تصاویر معمولی یک پهپاد ارزان ‌قیمت به بررسی وضعیت خشکیدگی درختان بعد از فوران بیماری و تعیین مساحت آن پرداخت. برخلاف هزینه های زیادی که به‌منظور خرید سنجنده های گران ‌قیمت به ‌منظور پایش وضعیت پوشش گیاهی صورت می گیرد، می توان از این شیوه های ارائه‌شده در این مقاله، با هزینه های بسیار کمتری اقدام کرد. این روش می تواند در تعیین میزان سطح پوشش های خشکیده کمک شایانی به نهاد های زیربط کند. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  136 - پیش‌بینی و مدل‌سازی خشک‌سالی به روش هیبریدی موجک و الگوریتم‌های شبکه عصبی
  جهانبخش محمدی علیرضا وفایی نژاد سعید بهزادی حسین آقامحمدی امیر هومن حمصی
  10.30495/girs.2022.687669
  پیشینه و هدف بحران خشک‌سالی یک دوره خشک آب و هوایی است که در هر نقطه از جهان و با هر اقلیمی ممکن است رخ دهد. این بحران اگرچه به‌آرامی شروع می‌شود اما می‌تواند برای مدتی طولانی تأثیر جدی بر سلامت، محصولات کشاورزی، اقتصاد، انرژی و محیط‌زیست بگذارد. خشک‌سالی معیشت و سلامت أکثر

  پیشینه و هدف بحران خشک‌سالی یک دوره خشک آب و هوایی است که در هر نقطه از جهان و با هر اقلیمی ممکن است رخ دهد. این بحران اگرچه به‌آرامی شروع می‌شود اما می‌تواند برای مدتی طولانی تأثیر جدی بر سلامت، محصولات کشاورزی، اقتصاد، انرژی و محیط‌زیست بگذارد. خشک‌سالی معیشت و سلامت انسان‌ها را به‌شدت تهدید می‌کند و خطر ابتلا به انواع بیماری‌ها را افزایش می‌دهد. ازاین‌رو مدل‌سازی و پیش‌بینی خشک‌سالی از موضوعات مهم و جدی در جوامع علمی است. درگذشته از مدل‌های ریاضی و آماری مانند روش رگرسیون ساده، خودرگرسیون‌گیری (AR)، میانگین متحرک (MA) و نیز ARIMA جهت مدل‌سازی خشک‌سالی استفاده می‌شد. در سال‌های اخیر استفاده از روش‌های یادگیری ماشین و هوش محاسباتی جهت مدل‌سازی و پیش‌بینی خشک‌سالی بسیار موردتوجه دانشمندان بوده است. ازجمله از الگوریتم‌های هوش محاسباتی که توسط دانشمندان جهت مدل‌سازی خشک‌سالی قبلاً موردتوجه قرارگرفته است می‌توان به شبکه عصبی پرسپترون چندلایه، شبکه عصبی RBF، ماشین بردار پشتیبان، روش‌های فازی و فازی عصبی اشاره کرد. در این تحقیق هدف مدل‌سازی و پیش‌بینی خشک‌سالی با بهره‌گیری از سه الگوریتم شبکه عصبی شامل پرسپترون چندلایه، شبکه عصبی RBF و شبکه عصبی رگرسیون تعمیم‌یافته است. شاخص خشک‌سالی استفاده‌شده در این تحقیق شاخص استانداردشده بارش (SPI) است. در این تحقیق از تکنیک موجک در تلفیق با الگوریتم‌های شبکه عصبی مصنوعی جهت مدل‌سازی و پیش‌بینی خشک‌سالی در 10 ایستگاه سینوپتیک در کشور ایران (آبادان، بابلسر، بندرعباس، کرمان، مشهد، رشت، سقز، تهران، تبریز و زاهدان) در اقلیم‌های مختلف و با توزیع مکانی مناسب در کل کشور ایران استفاده‌شده است.مواد و روش ها در این تحقیق در ابتدا با استفاده از داده‌های بارش ماهانه بین سال‌های 1961 تا 2017 شاخص خشک‌سالی SPI در مقیاس‌های زمانی 3، 6، 12، 18، 24 و 48 ماهه از طریق برنامه‌نویسی در محیط نرم‌افزار MATLAB پیاده‌سازی شد. نتایج این مرحله با استفاده از نرم‌افزارهای علمی موجود MDM و Drinc صحت سنجی شد. در ادامه با استفاده از زنجیره مارکوف به طراحی مدل‌های پیش‌بینی پرداخته شد. در این تحقیق درمجموع از شش مدل هوش محاسباتی شامل سه مدل منفرد شبکه عصبی پرسپترون چندلایه (MLP)، شبکه عصبی تابع پایه شعاعی (RBF) و شبکه عصبی رگرسیون تعمیم‌یافته (GRNN) و سه مدل ترکیبی (هیبریدی) موجک با این سه مدل به‌صورت (WMLP-WRBF-WGRNN) جهت مدل‌سازی و پیش‌بینی شاخص SPI در 10 ایستگاه این تحقیق استفاده‌شده است. در پیاده‌سازی تمامی این شش مدل از محیط برنامه‌نویسی نرم‌افزار MATLAB استفاده‌شده است. در این تحقیق ابتدا از چهار نوع موجک گسسته شامل دابیشز (Daubechies)، سیملت (Symlets)، کویفلت (Coiflets) و دوضلعی (Biorthogonal) استفاده شد، به دلیل عملکرد بهتر موجک دابیشز، از این نوع موجک در تحقیق به‌عنوان گزینه نهایی استفاده شد. در موجک دابیشز استفاده‌شده در بین مرتبه‌های 1 تا 45، مرتبه 3 بهترین عملکرد را در بین مقیاس‌های زمانی مختلف SPI از خود نشان داد، به همین دلیل از موجک دابیشز مرتبه 3 در تمامی مدل‌های ترکیبی این تحقیق استفاده شد. بعد از آموزش همه شش الگوریتم استفاده‌شده نتایج با معیارهای ارزیابی ضریب تعیین (R2) و جذر میانگین مربعات خطا (RMSE) جهت اندازه‌گیری اختلاف بین مقادیر واقعی و برآورد شده استفاده‌شده است.نتایج و بحث نتایج این تحقیق نشان داد که روش‌های هوش محاسباتی دقت بالایی در مدل‌سازی و پیش‌بینی شاخص خشک‌سالی SPI دارند. در مرحله اول نتایج نشان داد که مدل‌های منفرد MLP، RBF و GRNN درصورتی‌که به‌طور صحیح آموزش داده شوند نتایجی نزدیک به هم در مدل‌سازی و پیش‌بینی شاخص خشک‌سالی SPI دارند. در مرحله بعد مشاهده شد که تکنیک موجک باعث بهبود نتایج مدل‌سازی خواهد شد. در استفاده از تکنیک موجک در تلفیق با سه مدل منفرد MLP، RBF و GRNN انتخاب نوع موجک نیز در مدل‌سازی بهتر مؤثر است، به‌نحوی‌که در این تحقیق ابتدا از چهار نوع موجک گسسته دابیشز، سیملت، کویفلت و دوضلعی در تلفیق با سه مدل منفرد این تحقیق استفاده شد که نتایج این چهار نوع موجک نشان از برتری نسبی موجک دابیشز نسبت به سه موجک دیگر بود. در استفاده از موجک دابیشز نیز از آنجایی این موجک 45 مرتبه دارد و انتخاب مرتبه نیز در مدل‌سازی مؤثر بود با آزمایش 45 مرتبه موجک مشاهده شد که موجک مرتبه 3 در حالت کلی دارای دقت بالاتری در تمامی مقیاس‌های زمانی شاخص SPI (3، 6، 12، 18، 24 و 48 ماهه) و نیز در هر سه الگوریتم MLP، RBF و GRNN دارد. ازاین‌رو در این تحقیق از موجک مرتبه سوم دابیشز در هر سه الگوریتم این تحقیق و نیز در همه مقیاس‌های زمانی استفاده شد. نتایج تحقیق نشان داد که تلفیق تکنیک موجک با هر سه مدل MLP، RBF و GRNN باعث بهبود نتایج خواهد شد. نمودارهای تحقیق نشان داد که برای مقیاس زمانی سه‌ماهه مقادیر به‌دست‌آمده از پیش‌بینی مدل منفرد در مدل‌سازی MLP و RBF تا حدودی دارای اختلاف‌فاز یک‌ماهه نسبت به مدل هیبریدی هست، درحالی‌که در مدل GRNN این اختلاف پیش‌بینی کم هست. نتایج مدل‌سازی برای هر دو حالت مدل‌سازی منفرد و هیبریدی بیانگر عدم وجود اختلاف‌فاز بین دو روش مدل‌سازی منفرد و هیبریدی درمقیاس‌های زمانی 6، 12، 18، 24 و 48 است. برای مقیاس زمانی 12 و 24 ماهه، مدل منفرد GRNN دارای نوسانات و خطای بیشتری در مدل‌سازی و پیش‌بینی ماهانه SPI بوده است درحالی‌که مدل هیبریدی در این دو مقیاس زمانی به‌مراتب رفتار بهتری در مدل‌سازی و پیش‌بینی ماهانه داشته است. نمودارهای پراکنش داده‌های مربوط به SPI مشاهداتی ایستگاه آبادان نشان داد که نتایج مدل‌سازی برای حالت منفرد و هیبریدی در مقیاس‌های زمانی 3 و 6 ماهه دقت کمتری نسبت به دیگر مقیاس‌های زمانی دارد و جدایی خط برازش و همچنین میزان عدم قطعیت آن بیشتر است. هرچند در همه مدل‌های شبکه عصبی و در تمامی مقیاس‌های زمانی روش هیبریدی دقت بیشتری از خود نشان داده است. نتایج عددی تحقیق نشان‌دهنده این است که در تمامی SPI ها و ایستگاه‌های موردمطالعه، مقادیر تفاضلی R2 مثبت است که بیانگر مقادیر بیشتر R2 مدل هیبریدی نسبت به مدل‌سازی‌های شبکه عصبی منفرد است که به نحوی نشان‌دهنده بهبود مدل‌سازی هیبریدی نسبت به مدل‌های منفرد است. همچنین مقادیر تفاضلی RMSE نیز در کلیه مدل‌های موردبررسی و ایستگاه‌های موردمطالعه منفی است که نشان‌دهنده کمتر بودن مقدار RMSE در پیش‌بینی مدل‌های هیبریدی نسبت به مدل‌های منفرد شبکه عصبی است. در گراف‌های تحقیق دیده می‌شود که مقدار اختلاف‌ها در RMSE و R2 بیانگر میزان اختلاف بیشتر در مقیاس‌های زمانی 3 و 6 نسبت به مقیاس‌های زمانی 12، 18، 24 و 48 است که به نحوی به ماهیت داده‌های این مقیاس‌های زمانی برمی‌گردد. به ترتیب بیشترین بهبود در مقدار R2 و RMSE از مقیاس پایین 3 ماهه به سمت مقیاس‌های زمانی بالاتر 48 ماهه است.نتیجه گیری از یافته‌های این تحقیق می‌توان نتیجه گرفت که الگوریتم‌های شبکه عصبی مصنوعی روش‌های کارآمدی در مدل‌سازی و پیش‌بینی شاخص خشک‌سالی SPI می‌باشند. همچنین استفاده از موجک در هر سه مدل شبکه عصبی مصنوعی باعث بهبود نتایج خواهد شد. همچنین می‌توان نتیجه گرفت که برای مدل‌سازی بهتر شاخص خشک‌سالی SPI لازم است نوع و مرتبه موجک بهینه انتخاب شود. از نتایج این تحقیق می‌توان نتیجه‌گیری کرد که تکنیک موجک تأثیر بیشتری در مقیاس‌های زمانی پایین‌تر یعنی 3 و 6 ماهه نسبت به مقیاس‌های بالاتر یعنی 24 و 48 ماهه دارد. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  137 - مقایسة روش های شبکه عصبی مصنوعی، ماشین بردار پشتیبان و شیءگرا در استخراج کاربری و پوشش اراضی از تصاویر لندست 8
  فرنوش اسلمی اردوان قربانی بهروز سبحانی محسن پناهنده
  تهیة نقشه کاربری/پوشش اراضی، برای برنامه ریزی و مدیریت مکانی ضروری است. امروزه تصاویر ماهوره ای و تکنیک های سنجش از دور،به دلیل فرآهم آوردن داده های بهنگام و قابلیت بالای آنالیز تصاویر، کاربرد گسترده ای در تمامی بخش ها از جمله بخش های کشاورزی و منابع طبیعی دارند. در پژو أکثر

  تهیة نقشه کاربری/پوشش اراضی، برای برنامه ریزی و مدیریت مکانی ضروری است. امروزه تصاویر ماهوره ای و تکنیک های سنجش از دور،به دلیل فرآهم آوردن داده های بهنگام و قابلیت بالای آنالیز تصاویر، کاربرد گسترده ای در تمامی بخش ها از جمله بخش های کشاورزی و منابع طبیعی دارند. در پژوهش حاضر طبقه بندی کننده های شبکه عصبی مصنوعی، ماشین بردار پشتیبان و شیءگرا جهت تهیه نقشةکاربری/پوشش اراضی شهرستان های اردبیل، نیر و نمین مورد ارزیابی قرار گرفت. تصویر سنجندة (OLI) Operational Land Imager لندست 8 (سال 2013) پس از تصحیحات هندسی و توپوگرافیکی تحت این الگوریتم ها قرار گرفته و به 9 طبقة کاربری و پوشش اراضی شامل پهنه های آبی، زراعت آبی، زراعت دیم، چمنزار، برونزدگی سنگی، جنگل، مرتع، عرصه های مسکونی و انسان ساخت و فرودگاه طبقه بندی شد. پس از ارزیابی صحت، صحت کلی برای نقشة حاصل از شبکه عصبی مصنوعی، ماشین بردار پشتیبان و شیءگرا به ترتیب برابر با 91/89، 68/85 و37/94 درصد و مقدار کاپای آن ها به ترتیب 88/0، 82/0 و 93/0 برآورد شد که نشان دهنده برتری روش شیءگرا در مقایسه با دو روش دیگر است. هر سه روش توانستند صحتی قابل قبول برای نقشه ها ی کاربری/پوشش اراضی ارائه دهند. در کل، سه روش طبقه بندی پیشرفته، در منطقة ناهمگن با تغییرات ارتفاعی بیش از 3600 متر با استفاده از نسل جدید تصاویر سنجنده لندست 8 آزمون و مناسب ترین روش تهیه نقشة کاربری/پوشش اراضی معرفی شد. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  138 - پهنه بندی خطر زمین لغزش با استفاده از روش شبکه عصبی مصنوعی(مطالعة موردی: حوزه سپیددشت، لرستان)
  سیامک بهاروند سلمان سوری
  این تحقیق با هدف پهنه‌بندی خطر نسبی ناپایداری دامنه ای و وقوع زمین لغزش در حوزه سپیددشت با استفاده از روش شبکه عصبی مصنوعی با ساختار پرسپترون چندلایه و الگوریتم یادگیری پس انتشار خطا صورت گرفته است. به منظور بررسی پایداری دامنه‌ها در این حوزه ابتدا لغزش های حوزه با استف أکثر

  این تحقیق با هدف پهنه‌بندی خطر نسبی ناپایداری دامنه ای و وقوع زمین لغزش در حوزه سپیددشت با استفاده از روش شبکه عصبی مصنوعی با ساختار پرسپترون چندلایه و الگوریتم یادگیری پس انتشار خطا صورت گرفته است. به منظور بررسی پایداری دامنه‌ها در این حوزه ابتدا لغزش های حوزه با استفاده از تصاویر ماهواره‌ای TM و +ETM، عکس های هوایی 1:50000 منطقه و بازدیدهای میدانی (سال 1393) شناسایی و ثبت گردیدند. با قطع نقشه‌های عوامل مؤثر بر لغزش با نقشه پراکنش زمین‌لغزش‌ها، تاثیر هر یک از عوامل شیب، جهت شیب، کاربری اراضی، ارتفاع، لیتولوژی، بارندگی، فاصله از گسل، جاده و آبراهه به ناپایداری شیب‌ها در محیط نرم‌افزار ArcGIS®10.1 برآورد گردید. در محیط متلب ساختار مناسب (1-13-9) برای پهنه‌بندی خطر زمین لغزش با استفاده از روش شبکه عصبی مصنوعی با ساختار پرسپترون چندلایه و الگوریتم یادگیری پس انتشار خطا نوشته شد. بر اساس نتایج پهنه بندی خطر زمین لغزش با استفاده از این مدل به ترتیب 18/0، 41/12، 09/14، 85/29 و 52/43% از مساحت منطقه در کلاس‌های خطر خیلی کم، کم، متوسط، زیاد و خیلی زیاد قرار دارند. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  139 - برآورد تبخیر و تعرق با استفاده از سنجش از دور، شبکه های عصبی مصنوعی و مقایسه نتایج آن با روش پنمن- مانتیث- فائو در باغات مرکبات شمال خوزستان
  عزیز عظیمی کاظم رنگزن مصطفی کابلی زاده محمد خرمیان
  تبخیر و تعرق یکی از مهمترین عوامل اتلاف آب می باشد. تبخیر و تعرق یک پدیده پیچیده ای است که به عوامل و داده های زیادی بستگی دارد، بنابراین برآورد دقیق میزان تبخیر و تعرق، بسیار مشکل و پرهزینه می باشد. هدف از این مطالعه برآورد تبخیر و تعرق با استفاده از الگوریتم توازن انر أکثر

  تبخیر و تعرق یکی از مهمترین عوامل اتلاف آب می باشد. تبخیر و تعرق یک پدیده پیچیده ای است که به عوامل و داده های زیادی بستگی دارد، بنابراین برآورد دقیق میزان تبخیر و تعرق، بسیار مشکل و پرهزینه می باشد. هدف از این مطالعه برآورد تبخیر و تعرق با استفاده از الگوریتم توازن انرژی سطحی برای زمین (سبال) و همچنین ارزیابی عملکرد شبکه های عصبی مصنوعی در برآورد تبخیر و تعرق می باشد. جهت محاسبه میزان سبال تبخیر و تعرق، روش الگوریتم سبال بوسیله تصاویر ماهواره ای مورد استفاده قرار گردید. در این تحقیق از چهار تصویر لندست 8 استفاده شد که مقایسه نتایج بدست آمده از دو روش، سنجش از دور و معادله پنمن- مانتیث- فائو، نشان می‌دهد که میانگین مربعات خطا (MSE) 54/1 و میانگین خطای مطلق (MAE) 04/1 میلیمتر در روز می‌باشد. برای حل پیچیدگی فرآیند تبخیر، از شبکه‌های عصبی مصنوعی برای پیش بینی تبخیر از تشت بر اساس داده‌های هواشناسی استفاده گردید. در این تحقیق شبکه پرسپترون با الگوریتم پس انتشار خطا برای آموزش آن استفاده شد. برای آموزش شبکه از داده های اقلیمی روزانة 13 ساله ایستگاه صفی آباد دزفول استفاده شد. نتایج حاصل از محاسبات نشان داد بهترین شبکه، شبکه‌ای با همه ورودی‌ها، با یک لایه پنهان و 28 نرون در لایه میانی می‌باشد. نتایج پیاده سازی این شبکه نشان دهنده، شاخص های آماری معیارهای میانگین مربعات خطا (MSE) 0032/0، میانگین خطای مطلق (MAE) 0445/0 و ضریب تبین (R2) 9609/0 می‌باشد. مقایسه نتایج بدست آمده از روش شبکه های عصبی مصنوعی با روش پنمن- مانتیث- فائو نشان می‌دهد که میانگین مربعات خطا (MSE) 11/1 و میانگین خطای مطلق (MAE) 52/0 میلی متر در روز می‌باشد. این نتایج، بیانگرعملکرد بهتر شبکه‌های عصبی مصنوعی نسبت به روش سنجش از دور در برآورد میزان تبخیر و تعرق می‌باشد. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  140 - مدل سازی تغییرات پوشش اراضی با استفاده از شبکه عصبی مصنوعی و زنجیرة مارکف (مطالعة موردی: سواحل میانی استان بوشهر)
  مهدی غلامعلی فرد محسن میرزایی شریف جورابیان شوشتری
  اراضی ساحلی استان بوشهر به علت موقعیت ویژه در صادرات و واردات دریایی، وجود ذخایر نفت و گاز، کشاورزی، وجود نیروگاه هسته‌ای، شرایط مناسب صید و صیادی و جاذبه های گردشگری از اهمیت راهبردی و اقتصادی بالایی برخوردار است. از این رو می بایست از روش های نوین جهت پایش و مدل سازی أکثر

  اراضی ساحلی استان بوشهر به علت موقعیت ویژه در صادرات و واردات دریایی، وجود ذخایر نفت و گاز، کشاورزی، وجود نیروگاه هسته‌ای، شرایط مناسب صید و صیادی و جاذبه های گردشگری از اهمیت راهبردی و اقتصادی بالایی برخوردار است. از این رو می بایست از روش های نوین جهت پایش و مدل سازی تغییرات در این مناطق استفاده نمود. هدف از این مطالعه، پایش و مدل سازی تغییرات کاربری اراضی در یک دوره 23 ساله (1367-1390) با استفاده از شبکه عصبی مصنوعی و زنجیره مارکف در محیط اکستنشن مدل ساز تغییرات اراضی (LCM) می باشد. بدین منظور از هفت متغیر، سه زیرمدل و دوره واسنجی 1379-1384 جهت مدل سازی تغییرات کاربری اراضی سال 1390 استفاده گردید. پس از ارزیابی صحت مدل با استفاده از آماره کاپا، نقشه پوشش اراضی سال 1395 با استفاده از دوره واسنجی 1390-1384 پیش بینی شد. نتایج نشان داد که در طول دوره مطالعه، تغییرات شدید از اراضی باز به اراضی کشاورزی و رهاسازی زمین های کشاورزی در منطقه مشاهده گردید. از سال 1367 تا 1384 به میزان 76/19715 هکتار به وسعت اراضی کشاورزی افزوده شده و بین سال های 1384 تا 1390 تنها 48/14% از کاربری کشاورزی بدون تغییر مانده است و وسعت زیادی از کشاورزی رهاسازی شده است. از دیگر نتایج این تحقیقی توسعه زیاد کاربری شهری (33/17760 هکتار) است. در این مطالعه LCM توانست 76/0 از تغییرات را بدرستی پیش بینی نماید. به طوری که در سال 1395 به میزان 12000 هکتار افزایش وسعت در توسعه شهری منطقه پیش بینی شده است. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  141 - کدبرداری از کدهای خطی بر مبنای معادله سندرم با استفاده از یادگیری عمیق
  علی مرادی محمد تحقیقی شربیان
  استفاده از کدهای طول کوتاه در ارتباطات دیجیتال به خاطر فراگیر شدن پدیده اینترنت اشیاء از اهمیت ویژه‌ای برخوردار است. از طرفی مدل های یادگیری عمیق در زمینه‌های مختلفی مانند تشخیص اشیاء و تشخیص گفتار نتایج لبه علمی را بدست آورده‌اند. از این میان شبکه‌های کانولوشنی نقش اسا أکثر

  استفاده از کدهای طول کوتاه در ارتباطات دیجیتال به خاطر فراگیر شدن پدیده اینترنت اشیاء از اهمیت ویژه‌ای برخوردار است. از طرفی مدل های یادگیری عمیق در زمینه‌های مختلفی مانند تشخیص اشیاء و تشخیص گفتار نتایج لبه علمی را بدست آورده‌اند. از این میان شبکه‌های کانولوشنی نقش اساسی در موفقیت مدل های یادگیری عمیق را دارند. برای افزایش دقت کدبرداری کدهای طول کوتاه (Low Density Parity Check Codes) بر مبنای معادله علامت از شبکه کانولوشنی استفاده گردید. برای تعیین جواب معادله علامت، از روش تشخیص الگوی خطا بهره گرفته شد. به این منظور، نخست شبکه کانولوشنی یک بعدی با سه لایه اصلی که هر لایه شامل زیرلایه‌های کانولوشن و ادغام میباشند استفاده شد. سپس خروجی شبکه کانولوشنی بر شبکه برگشتی GRU اعمال گردید. شبکه برگشتی GRU با تعداد سه برابر طول کدواژه با تابع فعالسازی ReLU مورد استفاده واقع گردید. تعیین مقدار ابرپارامترهای شبکه عصبی مورد استفاده ابتدا بصورت مقادیر پیش فرض کتابخانه تنسورفلو نسخه ۲ مقدار دهی و در برخی موارد برای افزایش دقت تغییر داده شدند.مقایسه بین مدل ترکیبی حاصل از شبکه کانولوشنی یک بعدی و شبکه برگشتی با مدل شبکه برگشتی نشان می دهد که برای کد LDPC با طول ۶۴ در کاهش نرخ خطای بیت، مدل ترکیبی حاصل از شبکه کانولوشنی و شبکه GRU بهتر عمل میکند. نرخ خطای بیت در شرایط نویزی مختلف به میزان ۵.۰ تا ۸.۰ دسیبل کمتر از میزان کدبردار بیشینه‌گر احتمال میباشد. همچنین نشان دادیم که شبکه‌های کانولوشنی در کنار شبکه‌های برگشتی پتانسیل این را دارند که بتوانند عملکرد چنین شبکه‌هایی را بهبود ببخشند. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  142 - ارائه یک روش ترکیبی شبکه های عصبی عمیق جهت جلوگیری از نفوذ در شبکه های کامپیوتری
  محسن رکن الدینی عرفانه نوروزی
  چکیده: در این پژوهش به بررسی و ارائه یک روش ترکیبی شبکه‌های عصبی عمیق جهت جلوگیری از نفوذ در شبکه‌های کامپیوتری پرداخته می‌شود. هدف اصلی این پژوهش، افزایش کارایی سیستم تشخیص نفوذ است. برای دستیابی به این هدف، یک روش ترکیبی از یادگیری عمیق و شبکه عصبی مصنوعی ارائه شده اس أکثر

  چکیده: در این پژوهش به بررسی و ارائه یک روش ترکیبی شبکه‌های عصبی عمیق جهت جلوگیری از نفوذ در شبکه‌های کامپیوتری پرداخته می‌شود. هدف اصلی این پژوهش، افزایش کارایی سیستم تشخیص نفوذ است. برای دستیابی به این هدف، یک روش ترکیبی از یادگیری عمیق و شبکه عصبی مصنوعی ارائه شده است. این روش با استفاده از شبکه‌های عصبی عمیق، ویژگی‌های پیچیده‌تر را تشخیص داده و عملکرد مدل را بهبود می‌بخشد. با استفاده از روش‌های ترکیبی شامل ترکیب معماری شبکه‌های عصبی، ویژگی‌ها، خروجی‌ها و ترکیب نتایج از شبکه‌های عصبی مختلف، تنوع و قدرت تشخیصی مدل افزایش می‌یابد و درستی و عملکرد آن بهبود می‌یابد. نتایج شبیه‌سازی‌ها نشان می‌دهد که روش‌های شبکه‌های عصبی عمیق مانند MLP، CNN، LSTM و GRU نتایج خوبی نسبت به دیگر روش‌های تک‌لایه‌ای یادگیری ماشین دارند. در این پژوهش دو روش ترکیبی شبکه عصبی عمیق CNN-GRU و CNN-LSTM معرفی شدند که به‌منظور تحلیل و ارزیابی کلی بر روی مجموعه‌داده KDD CUP'99 آزمایش شد. دو رویکرد ترکیبی، صحت بالا و خطای دسته‌بندی کمتری نسبت به دیگر روش‌های معرفی شده، دارند؛ بنابراین، می‌توان نتیجه گرفت که در مجموعه‌داده KDD CUP'99 روش ترکیبی CNN-LSTM عملکرد مناسبی دارد. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  143 - استفاده از شبکه های عصبی ژانگ با زمان گسسته برای بهینه سازی غیرخطی متغیر با زمان
  زینب موسوی الهه کرمی کبری غلامی
  در این مقاله، قصد داریم از شبکه های عصبی ژانگ برای بهینه‌سازی توابع غیرخطی با زمان متغیر استفاده کنیم. در این جهت از یک مدل کلی گسسته سازی ژانگ با خطای کوتاه سازی O (τ^5) استفاده شده و سعی بر آن شده است تا مطالعه دو مدل کلی پنج مرحله ای زمان گسسته شبکه عصبی ژانگ أکثر

  در این مقاله، قصد داریم از شبکه های عصبی ژانگ برای بهینه‌سازی توابع غیرخطی با زمان متغیر استفاده کنیم. در این جهت از یک مدل کلی گسسته سازی ژانگ با خطای کوتاه سازی O (τ^5) استفاده شده و سعی بر آن شده است تا مطالعه دو مدل کلی پنج مرحله ای زمان گسسته شبکه عصبی ژانگ و کاوش در رابطه پارامتر( a_1 ) و اندازه بهینه گام (h ( گسترش یابد. در این پژوهش، با استفاده از نرم‌افزار متلب به منظور ورود داده ها به شبکه عصبی پیشنهادی، ابتدا با روش نرمال سازی استاندارد، نرمال شده اند. داده های مورد نظر در پژوهش در چهار مرحله، آموزش، تست، آزمایش و اعتبارسنجی و در پنج فاز مورد بررسی و ارزیابی قرار گرفتند. آموزش داده ها بر مبنای مدل الگوریتم لونبرگ- ماد برای لایه اول و تابع خطی برای لایه دوم انجام شده است. در ادامه بهترین ساختار شبکه با تابع تبدیل در نظر گرفته شده و براساس مدل شبکه عصبی پیشنهادی در پنج مرحله مورد آزمایش قرار گرفته است. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  144 - تشخیص چهره در تصویر با استفاده از روش ویولا-جونز و تحلیل بافت تصویر
  مهدی حریری نرمینه حیدرزاده
  شناسایی چهره از مهمترین فناوری‌های بیومتریک برای شناسایی افراد است که در کنترل دسترسی هم استفاده دارد. تشخیص چهره یکی از مراحل مهم قبل از شناسایی هویت می باشد. معمولا برای تشخیص وجود چهره در تصاویر از یک روش استفاده شده است، اما در این تحقیق برای افزایش صحت تشخیص از ترک أکثر

  شناسایی چهره از مهمترین فناوری‌های بیومتریک برای شناسایی افراد است که در کنترل دسترسی هم استفاده دارد. تشخیص چهره یکی از مراحل مهم قبل از شناسایی هویت می باشد. معمولا برای تشخیص وجود چهره در تصاویر از یک روش استفاده شده است، اما در این تحقیق برای افزایش صحت تشخیص از ترکیب دو روش الگوریتم ویولا-جونز و تطبیق اجزا و بافت تصویر با اجزا چهره و پوست برای بهبود عملکرد تشخیص استفاده میشود. در مرحله اول با استفاده از الگوریتم ویولا-جونز به تشخیص اجزای صورت می‌پردازیم و در مرحله بعدی با شبکه های عصبی رگرسیونی ویژگی های بافت چشم و بینی را مورد بررسی قرارداده و باتطبیق ویژگی های بافت صورت اجزاء صورت بهتر تشخیص داده می شوند. در این تحقیق از ویژگی های بافت مربوط به چشم راست و چپ و بینی درصورت برای افزایش دقت تطبیق استفاده می شود. برای ارزیابی روش پیشنهادی از چهره های مجموعه داده FDD-Fold استفاده نموده‌ایم. در مقایسه عملکرد این روش با روش شبکه عمیقRCNN با تعداد خیلی کمتر داده های آموزشی نسبت به آن به صحت 96.36% ، بیشتر از شبکه‌ی یادگیری عمیق رسیدیم. این روش در سیستمهای با توانایی محاسباتی محدود با تعداد داده‌ی متوسط نتیجه مطلوبی می ‌دهد. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  145 - Reliability-Based Robust Multi-Objective Optimization of Friction Stir Welding Lap Joint AA1100 Plates
  E Sarikhani A Khalkhali
  10.22034/jsm.2019.1877986.1493
  The current paper presents a robust optimum design of friction stir welding (FSW) lap joint AA1100 aluminum alloy sheets using Monte Carlo simulation, NSGA-II and neural network. First, to find the relation between the inputs and outputs a perceptron neural network mode أکثر

  The current paper presents a robust optimum design of friction stir welding (FSW) lap joint AA1100 aluminum alloy sheets using Monte Carlo simulation, NSGA-II and neural network. First, to find the relation between the inputs and outputs a perceptron neural network model was obtained. In this way, results of thirty friction stir welding tests are used for training and testing the neural network. Using such obtained neural network model, for the reliability robust design of the FSW, a multi-objective genetic algorithm is employed. In this way, the statistical moments of the forces, temperature, strength, elongation, micro-hardness of welded zone, grain size and welded zone thickness are considered as the conflicting objectives. The optimization process was followed by multi criteria decision making process, NIP and TOPSIS, to propose optimum points for each of the pin profiles. It is represented that some beneficial design principles are involved in FSW which were discovered by the proposed optimization process. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  146 - Double Cracks Identification in Functionally Graded Beams Using Artificial Neural Network
  F Nazari M.H Abolbashari
  This study presents a new procedure based on Artificial Neural Network (ANN) for identification of double cracks in Functionally Graded Beams (FGBs). A cantilever beam is modeled using Finite Element Method (FEM) for analyzing a double-cracked FGB and evaluation of its أکثر

  This study presents a new procedure based on Artificial Neural Network (ANN) for identification of double cracks in Functionally Graded Beams (FGBs). A cantilever beam is modeled using Finite Element Method (FEM) for analyzing a double-cracked FGB and evaluation of its first four natural frequencies for different cracks depths and locations. The obtained FEM results are verified against available references. Furthermore, four Multi-Layer Perceptron (MLP) neural networks are employed for identification of locations and depths of both cracks of FGB. Back-Error Propagation (BEP) method is used to train the ANNs. The accuracy of predicted results shows that the proposed procedure is suitable for double cracks identification detection in FGBs. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  147 - Free Vibrations of Three-Parameter Functionally Graded Plates Resting on Pasternak Foundations
  J.E Jam S Kamarian A Pourasghar J Seidi
  In this research work, first, based on the three-dimensional elasticity theory and by means of the Generalized Differential Quadrature Method (GDQM), free vibration characteristics of functionally graded (FG) rectangular plates resting on Pasternak foundation are focuse أکثر

  In this research work, first, based on the three-dimensional elasticity theory and by means of the Generalized Differential Quadrature Method (GDQM), free vibration characteristics of functionally graded (FG) rectangular plates resting on Pasternak foundation are focused. The two-constituent functionally graded plate consists of ceramic and metal grading through the thickness. A three-parameter power-law distribution is considered for the ceramic volume fraction. The benefit of using a three-parameter power-law distribution is to illustrate and present useful results arising from symmetric, asymmetric and classic profiles. A detailed parametric study is carried out to highlight the influences of different profiles of fiber volume fraction, three parameters of power-law distribution and two-parameter elastic foundation modulus on the vibration characteristics of the FG plates. The main goal of the structural optimization is to minimize the weight of structures while satisfying all design requirements imposed. Thus, for the second aim of this paper, volume fraction optimization of FG plates with objective of minimizing the density to achieve a specified fundamental frequency is presented. The primary optimization variables are the three parameters of the volume fraction of ceramic. Since the optimization processes is complicated and too much time consuming, a novel meta–heuristic called Imperialist Competitive Algorithm (ICA) which is a socio-politically motivated global search strategy and Artificial Neural Networks (ANNs) are applied to obtain the best material profile through the thickness. The performance of ICA is evaluated in comparison with other nature inspired technique Genetic Algorithm (GA). Comparison shows the success of combination of ANN and ICA for design of material profile of FG plates. Finally the optimized material profile for the considered optimization problem is presented. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  148 - Cell Deformation Modeling Under External Force Using Artificial Neural Network
  M.T Ahmadian G.R Vossoughi A.A Abbasi P Raeissi
  Embryogenesis, regeneration and cell differentiation in microbiological entities are influenced by mechanical forces. Therefore, development of mechanical properties of these materials is important. Neural network technique is a useful method which can be used to obtain أکثر

  Embryogenesis, regeneration and cell differentiation in microbiological entities are influenced by mechanical forces. Therefore, development of mechanical properties of these materials is important. Neural network technique is a useful method which can be used to obtain cell deformation by the means of force-geometric deformation data or vice versa. Prior to insertion in the needle injection process, deformation and geometry of cell under external point-load is a key element to understand the interaction between cell and needle. In this paper, the goal is the prediction of cell membrane deformation under a certain force and to visually estimate the force of indentation on the membrane from membrane geometries. The neural network input and output parameters are associated to a three dimensional model without the assumption of the adherent affects. The neural network is modeled by applying error back propagation algorithm. In order to validate the strength of the developed neural network model, the results are compared with the experimental data on mouse oocyte and mouse embryos that are captured from literature. The results of the modeling match nicely the experimental findings. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  149 - Optimization of Functionally Graded Beams Resting on Elastic Foundations
  M.H Yas S Kamarian J.E Jam A Pourasghar
  In this study, two goals are followed. First, by means of the Generalized Differential Quadrature (GDQ) method, parametric analysis on the vibration characteristics of three-parameter Functionally Graded (FG) beams on variable elastic foundations is studied. These param أکثر

  In this study, two goals are followed. First, by means of the Generalized Differential Quadrature (GDQ) method, parametric analysis on the vibration characteristics of three-parameter Functionally Graded (FG) beams on variable elastic foundations is studied. These parameters include (a) three parameters of power-law distribution, (b) variable Winkler foundation modulus, (c) two-parameter elastic foundation modulus. Then, volume fraction optimization of FG beam with respect to the fundamental frequency is studied. Since the optimization process is so complicated and time consuming, Genetic Algorithm (GA), a computational algorithm based on Darwinian theories that allow to solve optimization problems without using gradient-based information on the objective functions and the constraints, is performed to obtain the best material profile through the thickness to maximize the first natural frequency. A proper Artificial Neural Network (ANN) is trained by training data sets obtained from GDQ method and then is applied as the objective function in genetic algorithm by reproducing the fundamental frequency for improving the speed of the optimization process. Finally, the optimized material profile for the maximum natural frequency of a FG beam resting on elastic foundations is presented. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  150 - Dynamic Analysis of Multi-Directional Functionally Graded Panels and Comparative Modeling by ANN
  H Khoshnoodi M.H Yas A Samadinejad
  In this paper dynamic analysis of multi-directional functionally graded panel is studied using a semi-analytical numerical method entitled the state-space based differential method (SSDQM) and comparative behavior modeling by artificial neural network (ANN) for differen أکثر

  In this paper dynamic analysis of multi-directional functionally graded panel is studied using a semi-analytical numerical method entitled the state-space based differential method (SSDQM) and comparative behavior modeling by artificial neural network (ANN) for different parameters. A semi-analytical approach which makes use the three-dimensional elastic theory and assuming the material properties having an exponent-law variation along the axial, radial direction or both directions, the frequency equations of free vibration of multi-directional functionally graded panels are derived. Numerical results are given to demonstrate the convergency and accuracy of the present method. Once the semi-analytical method is validated, an optimal ANN is selected, trained and tested by the obtained numerical results. In addition to the quantitative input parameters is considered as a qualitative input in NN modeling. The results of SSDQM and ANN are compared and the influence of longitude of the panel, material property graded index and circumferential wave number on the non-dimensional natural frequency of functionally graded material (FGM) panels are investigated. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  151 - آنالیز حساسیت فرآسنجه های موثر بر نوسانات جمعیت سن زمستان گذران با استفاده از شبکه عصبی مصنوعی
  زهرا دوستی ناصر معینی نقده عباسعلی زمانی لیلا ندرلو
  سن گندم (Hemiptera: Scutelleridae) Eurygaster integriceps Put. مهم‌ترین آفت گندم و جو در ایران می‌باشد. بررسی‌های مختلف نشان داده‌اند که عوامل مختلف زنده و غیر زنده‌ی محیطی جمعیت‌های این آفت را تحت تاثیر قرار می‌دهند. در این مطالعه رابطه موجود بین تغییرات جمعیت سن زمستا أکثر

  سن گندم (Hemiptera: Scutelleridae) Eurygaster integriceps Put. مهم‌ترین آفت گندم و جو در ایران می‌باشد. بررسی‌های مختلف نشان داده‌اند که عوامل مختلف زنده و غیر زنده‌ی محیطی جمعیت‌های این آفت را تحت تاثیر قرار می‌دهند. در این مطالعه رابطه موجود بین تغییرات جمعیت سن زمستان گذران با عوامل مختلف محیطی شامل روز نمونه برداری، میانگین دمای روزانه، میانگین رطوبت نسبی، سرعت باد، جهت باد، ارتفاع از سطح دریا، میانگین بارش مورد بررسی قرار گرفت. داده‌های مزرعه‌ای طی دو سال از دو مزرعه آبی گندم به مساحت یک هکتار در شهرستان چادگان جمع آوری شدند. در این تحقیق شبکه عصبی مصنوعی از نوع پرسپترون چند لایه با الگوریتم پس انتشار خطا و تکنیک یادگیری مارکوارت لونبرگ برای در نظر گرفتن تاثیر همزمان متغیرهای محیطی بر نوسانات سن زمستان گذران، مورد استفاده قرار گرفت. پس از آنالیز حساسیت چهار ورودی شامل متوسط دمای روزانه و رطوبت نسبی، سرعت باد و روز نمونه برداری به عنوان ورودی‌های تأثیر گذار انتخاب شدند. نتایج نشان داد شبکه عصبی با دو لایه مخفی، هفت نرون در لایه مخفی اول و سه نرون در لایه مخفی دوم، تابع فعال سازی از نوع سیگموئید، درصد داده‌های 60، 30، 10 به ترتیب برای آموزش، آزمون و ارزیابی برای پیش بینی نوسانات جمعیت سن مادر به کار رود (94/0= R2). تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  152 - به‌کارگیری مدلRNN شبکه‌ عصبی مصنوعی جامع جهت ارزش‌گذاری معاملات بلوکی
  عادله بحرینی مریم اکبریان فرد مهدی خوشنود
  درگذشته مطالعات برعوامل تاثیر گذار بر معاملات بلوکی شرکت‌ها متمرکز بوده اند، در حالی که ارزش‌گذاری معاملات بلوکی برای اولین بار با استفاده از مدل یادگیری عمیق Rnn ، انجام شده است.ارزش‌گذاری معاملات بلوکی کمک می‌کند تا بتواند ترکیب مناسبی از سهام بلوکی را برای به حداکثر أکثر

  درگذشته مطالعات برعوامل تاثیر گذار بر معاملات بلوکی شرکت‌ها متمرکز بوده اند، در حالی که ارزش‌گذاری معاملات بلوکی برای اولین بار با استفاده از مدل یادگیری عمیق Rnn ، انجام شده است.ارزش‌گذاری معاملات بلوکی کمک می‌کند تا بتواند ترکیب مناسبی از سهام بلوکی را برای به حداکثر رساندن بازده در افق موردنظر انتخاب کند.هدف این پژوهش بررسی اطلاعات حاصل ازگزارش‌های مالی شرکت‌های پذیرفته شـده دربـورس اوراق بهادارتهران درقالب 15 شاخص مالی و یافتن میزان تاثیر آن شاخص‌ها بر ارزش‌گذاری معاملات بلوکی با استفاده از آزمون rmse بر روی داده‌های موردمطالعه می باشد. بدین منظورازاطلاعات مالی 64 شرکت ازمجموعه شرکت‌های پذیرفتـه شـده درسـازمان بـورس اوراق بهادارتهران برای دوره زمانی 1390تا1400 استفاده شده است.نتایج نشان می دهد پیش‌بینی ارزش‌گذاری معاملات بلوکی باعث تمرکز بر بلوک‌هایی با اندازه بزرگتر به عنوان معیار اندازه گیری منافع خصوصی، می‌تواند معاملاتی که صرفاً عملیات مالی و با هدف سوددهی هستند را تحت تاثیر قرار ‌دهد و انگیزه ی نهفته خریدار بلوک برای رسیدن به کنترل و منافع مالی یا استراتژیک را شناسایی کندو قابلیت اجرایی داشته باشد. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  153 - طراحی روشی به منظور حذف کاف از دستگاه پلی گراف در آزمون دروغ سنجی با استفاده از شبکه عصبی پرسپترون چند لایه
  محمدامین یونسی‌هروی مهدی آذرنوش
  در دروغ سنجی متداول، برای اندازه گیری تغییرات نسبی فشارخون از یک کاف استفاده می گردد. در این مطالعه هدف ارائهروشی برای حذف کاف است؛ به گونه ای که اطلاعات فشارخون سرخرگی به نحو مناسب دیگری به دست آید. برای این منظوربر اساس ارتباط حجم خون شریانی و فشار خون، مدلی برای تخمی أکثر

  در دروغ سنجی متداول، برای اندازه گیری تغییرات نسبی فشارخون از یک کاف استفاده می گردد. در این مطالعه هدف ارائهروشی برای حذف کاف است؛ به گونه ای که اطلاعات فشارخون سرخرگی به نحو مناسب دیگری به دست آید. برای این منظوربر اساس ارتباط حجم خون شریانی و فشار خون، مدلی برای تخمین سیگنال تغییرات فشار خون ارائه می شود . مدلسازی با یکشبکه عصبی پرسپترون چندلایه انجام شده است. خروجی مدل ارائه شده با سیگنال تغییرات فشارخون، در 3 سطح سیگنال، ویژگیو طبقه بندی بررسی شده و با ارائۀ معیارهای ارزیابی مناسب، اعتبار مدل مورد سنجش قرار گرفته است. نتایج ارزیابی مدل نشان داد4 می تواند سیگنال تغییرات فشار خون را تخمین بزند. همچنین / 9 وتوان نسبی خطای % 4 / که مدل ارائه شده با مقدار خطای نسبی % 8با به کارگیری سیگنال تخمینی تغییرات فشار خون، 80 % صحت تشخیص دروغ به دست آمد که برابر با نتایج حاصل از کاف استو قابل قیاس با کارهای مشابه میباشد. بنابراین مطالعه حاضر با تخمین تغییرات فشار خون بر اساس حجم خون شریانی ب ه درصدصحت قابل مقایسه ای دست یافته است و می تواند بدون استفاده از کاف فشار خون به عنوان روش مناسبی برای سیستم های پلی -گرافی دروغ سنجی پیشنهاد شود. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  154 - The Predictability Power of Neural Network and Genetic Algorithm from Fiems’ Financial crisis
  Nader Rezaei Maryam Javaheri
  10.22034/amfa.2019.1863963.1195
  Organizations expose to financial risk that can lead to bankruptcy and loss of business is increased nowadays. This may leads to discontinuity in operations, increased legal fees, administrative costs and other indirect costs. Accordingly, the purpose of this study was أکثر

  Organizations expose to financial risk that can lead to bankruptcy and loss of business is increased nowadays. This may leads to discontinuity in operations, increased legal fees, administrative costs and other indirect costs. Accordingly, the purpose of this study was to predict the financial crisis of Tehran Stock Exchange using neural network and genetic algorithm. This research is descriptive and practical and in order to collect data Stock Exchange database software has been used. For data analysis, we used artificial neural network in base form and artificial neural network mix with genetic algorithm. In addition for methods comparison, determination coefficient, Mean squared error and Root-mean square error have been used. The result of study shows that the best artificial neural network is a network with a hidden layer and eight neurons in the layer. This network could predict 97.7 percent of healthy and bankrupt companies correctly for test data. Furthermore the best mixed neural network with genetic algorithm is a network with 400 replications and population size 50, one layer and eight neurons which could correctly predict 100% of healthy and bankrupt companies. Finally, comparison of results of two methods shows that the best method for predicting financial crisis is mixed neural network with genetic algorithm. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  155 - Forecasting the Tehran Stock market by Machine ‎Learning Methods using a New Loss Function
  Mahsa Tavakoli Hassan Doosti
  10.22034/amfa.2020.1896273.1399
  Stock market forecasting has attracted so many researchers and investors that ‎many studies have been done in this field. These studies have led to the ‎development of many predictive methods, the most widely used of which are ‎machine learning-based methods أکثر

  Stock market forecasting has attracted so many researchers and investors that ‎many studies have been done in this field. These studies have led to the ‎development of many predictive methods, the most widely used of which are ‎machine learning-based methods. In machine learning-based methods, loss ‎function has a key role in determining the model weights. In this study a new loss ‎function is introduced, that has some special features, making the investing in the ‎stock market more accurate and profitable than other popular techniques. To ‎assess its accuracy, a two-stage experiment has been designed using data of ‎Tehran Stock market. In the first part of the experiment, we select the most ‎accurate algorithm among some of the well-known machine learning algorithms ‎based on artificial neural network, ANN, support vector machine, SVM. In the ‎second stage of the experiment, the various popular loss functions are compared ‎with the proposed one. As a result, we introduce a new neural network using a ‎new loss function, which is trained based on genetic algorithm. This network has ‎been shown to be more accurate than other well-known and common networks ‎such as long short-term memory (LSTM) for both train and test data.‎ تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  156 - Prediction the Return Fluctuations with Artificial Neural Networks' Approach
  Masoud Taherinia Mohsen Rashidi Baghi
  10.22034/amfa.2019.580643.1149
  Time changes of return, inefficiency studies performed and presence of effective factors on share return rate are caused development modern and intelligent methods in estimation and evaluation of share return in stock companies. Aim of this research is prediction of ret أکثر

  Time changes of return, inefficiency studies performed and presence of effective factors on share return rate are caused development modern and intelligent methods in estimation and evaluation of share return in stock companies. Aim of this research is prediction of return using financial variables with artificial neural network approach. Therefore, the statistical population of this study includes 120 listed companies in Tehran stock securities during 2005 to 2017. Independent variables in this research are market variables (Earning quality, free cash flow) and dependent variable is share return. The obtained outputs from estimation of the artificial neural networks and results obtained from estimation, using of this method with evaluation scales concerning random amount and comparing it with adjusted R, we found that there is meaningful relation between the associated variables and return. However, such network has the least error than other networks. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  157 - Predicting financial statement fraud using fuzzy neural networks
  Mohsen Rostamy-Malkhalifeh Maryam Amiri Mehrdad Mehrkam
  10.22034/amfa.2020.1892431.1370
  Fraud is a common phenomenon in business, and according to Section 24 of the Iranian Auditing Standards, it is the fraudulent act of one or more managers, employees, or third parties to derive unfair advantage and any intentional or unlawful conduct. Financial statement أکثر

  Fraud is a common phenomenon in business, and according to Section 24 of the Iranian Auditing Standards, it is the fraudulent act of one or more managers, employees, or third parties to derive unfair advantage and any intentional or unlawful conduct. Financial statements are a means of transmitting confidential management information about the financial position of a company to shareholders and other stakeholders. In this paper, by reviewing the literature, 6 indicators of current ratio, debt ratio, inventory turnover ratio, sales growth index, total asset turnover ratio, and capital return ratio as input and detection of financial fraud as output are considered for the fuzzy neural network. The database was compiled for 10 companies in the period from 2010 to 2018 after clearing and normalizing qualitatively between 1 to 5 discrete numbers with very low or very high meanings, respectively. The fuzzy neural network model with 161 nodes, 448 linear parameters, 36 nonlinear parameters, and 64 fuzzy laws with two methods of accuracy approximation of mean squared error and root mean squared error has been set to zero and 0.0000001 respectively. This neural network can be used for prediction. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  158 - Estimating Efficiency of Bank Branches by Dynamic Network Data Envelopment Analysis and Artificial Neural Network
  Javad Niknafs Mohammad Ali Keramati Jalal Haghighatmonfared
  10.22034/amfa.2019.1585957.1192
  Network data envelopment analysis models assess efficiency of decision-making unit and its sections using historical data but fail to measure efficiency of its units and their internal stages in the future. In this paper we aim to measure efficiency of stages of bank br أکثر

  Network data envelopment analysis models assess efficiency of decision-making unit and its sections using historical data but fail to measure efficiency of its units and their internal stages in the future. In this paper we aim to measure efficiency of stages of bank branches and obtain efficiency trend of stages during the time, then to estimate their efficiency in the future therefore we can be aware of stages inefficiency before occurrence and prevent them. First, a two-stage structure including deposit collection and loan giving was designed for bank branches using literature review and comments of experts. Human forces and fixed assets were considered as input variables of the first stage, deposit as mediator variable, delayed claims as interim variable, and loan amount as output variable of the second stage. Then, a dynamic network data envelopment analysis model was formulated and stages efficiency were obtained for 16 consecutive periods. Therefore, efficiency trend of stages was obtained during the time. In the following, efficiency of various stages of branches were estimated using artificial neural network and some recommendations are provided according to obtained amounts in order to prevent inefficiency before occurrence. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  159 - Measurement of Bitcoin Daily and Monthly Price Prediction Error Using Grey Model, Back Propagation Artificial Neural Network and Integrated model of Grey Neural Network
  Mahdi Madanchi Zaj Mohammad Ebrahim Samavi Emad Koosha
  10.22034/amfa.2020.1881110.1315
  One of the recent financial technologies is Block chain-based currency known as Cryptocurrency that these days because of their unique features has become quite popular. The first known Cryptocurrency in the world is Bitcoin, and since the cryptocurrencies market is a c أکثر

  One of the recent financial technologies is Block chain-based currency known as Cryptocurrency that these days because of their unique features has become quite popular. The first known Cryptocurrency in the world is Bitcoin, and since the cryptocurrencies market is a contemporary one, Bitcoin is currently considered as the pioneer of this market. Since the value of the previous Bitcoin prices data have a non-linear behaviour, this study aims at predicting Bitcoin price using Grey model, Back Propagation Artificial Neural Network and Integrated Model of Grey Neural Network. Then, the prediction’s accuracy of these methods will be measured using MAPE and RMSE indices and also Bitcoin price data for a five-year period (2014-2018). The results had indicated that wen estimating Bitcoin daily prices, Back Propagation Artificial Neural Network model has the lowest absolute error rate (5.6%) compared to the Grey model and the integrated model. Additionally, for the monthly prediction of Bitcoin price, the integrated model, with the lowest absolute error rate (9%), has a better performance than the two other models. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  160 - Comparing the Performance of Machine Learning Techniques in Detecting Financial Frauds
  Jafar Nahari Aghdam Qala Jougha Nader Rezaei Yagoob Aghdam Mazraee, Rasol Abdi
  Detecting financial fraud is an important process in the activities of compa-nies. In the last decade, much attention has been paid to fraud detection techniques. Financial fraud is a problem with far-reaching implications for shareholders. Today, financial fraud in com أکثر

  Detecting financial fraud is an important process in the activities of compa-nies. In the last decade, much attention has been paid to fraud detection techniques. Financial fraud is a problem with far-reaching implications for shareholders. Today, financial fraud in companies has become a big prob-lem. Companies and regulatory agencies must continuously develop their mechanisms to detect fraud. Machine learning and data mining techniques are currently commonly used to solve this problem. However, these tech-niques still need to be improved in terms of computational cost, memory cost, and dealing with big data that is becoming a feature of current financial transactions. In this research, machine learning techniques including logistic regression, neural network, and Bayesian linear regression were used to de-tect financial frauds in the Iranian stock market. According to the obtained results, the support vector machine model with radial kernel has the lowest RMSE and the highest accuracy criterion, and the support vector machine model with linear kernel and Bayesian linear regression has the highest RMSE and the lowest accuracy criterion for modeling the financial fraud of companies in they were Tehran stock market. Also, the models of artificial neural network model, Bayesian linear regression and support vector ma-chine model with linear kernel respectively had the lowest characteristic values and did not perform relatively well in detecting the existence of fi-nancial fraud in the companies present in the Tehran stock market. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  161 - Investigating the Market Efficiency in Tehran Stock Exchange through Artificial Intelligence
  mohammad jouzbarkand Hossein Panahian
  10.22034/amfa.2021.1934511.1613
  This study was an attempt to evaluate the progress of capital market efficiency in Iran. Optimal resource allocation and micro and macro investments play a key role in the capital market. The capital market's main task is to circulate capital and allocate resources effi أکثر

  This study was an attempt to evaluate the progress of capital market efficiency in Iran. Optimal resource allocation and micro and macro investments play a key role in the capital market. The capital market's main task is to circulate capital and allocate resources efficiently and optimally. The main task of this market is to flow capital and allocate resources efficiently and optimally. Is there a regular pattern for determining the stock price? Market efficiency gains significance as it is important to know what factor or factors are effective in determining the price of the stock in the stock market or whether there is a regular pattern for determining the price of a stock. Thus, this study examined the efficiency of the capital market in Iran. In this regard, the researchers used the daily data of the total index of the Tehran Stock Exchange for 2008-2017. Artificial neural network and time series training tests were used to perform the test. The test results showed weak efficiency in the Tehran Stock Exchange and this inefficiency did not change significantly compared to the first period. In other words, in the Tehran Stock Market, one can predict returns using artificial intelligence. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  162 - Option pricing with artificial neural network in a time dependent market
  Mehran Araghi Elham Dastranj Abdolmajid Abdolbaghi Ataabadi Hossein Sahebi Fard
  In this article, the pricing of option contracts is discussed using the Mikhailov and Nogel model and the artificial neural network method. The purpose of this research is to investigate and compare the performance of various types of activator functions available in ar أکثر

  In this article, the pricing of option contracts is discussed using the Mikhailov and Nogel model and the artificial neural network method. The purpose of this research is to investigate and compare the performance of various types of activator functions available in artificial neural networks for the pricing of option contracts. The Mikhailov and Nogel model is the same model that is dependent on time. In the design of the artificial neural network required for this research, the parameters of the Mikhailov and Nogel model have been used as network inputs, as well as 700 data from the daily price of stock options available in the Tehran Stock Exchange market (in 2021) as the net-work output. The first 600 data are considered for learning and the remaining data for comparison and conclusion. At first, the pricing is done with 4 commonly used activator functions, and then the results of each are com-pared with the real prices of the Tehran Stock Exchange to determine which item provides a more accurate forecast. The results obtained from this re-search show that among the activator functions available in this research, the ReLU activator function performs better than other activator functions. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  163 - Financial Reporting Readability: A new Artificial Neural Network and Multi-Indicator Decision Making Approach
  Ali Asghar Khazaei Harivand Arash Naderian Majid  Ashrafi Ali  Khozin
  The desirability of the financial reporting can greatly help the users of finan-cial information in making investment decisions. The purpose of this re-search is to measure the readability of financial reporting using a multi-indicator decision-making model and the arti أکثر

  The desirability of the financial reporting can greatly help the users of finan-cial information in making investment decisions. The purpose of this re-search is to measure the readability of financial reporting using a multi-indicator decision-making model and the artificial neural network method and the role of information presentation time in its improvement. In this research, various indicators have been used to measure the readability of financial reporting, and the quality of reporting is obtained through the rank-ing of companies by the stock exchange. In this research, the number of 149 companies admitted to the Tehran Stock Exchange in the period of 2010-2020 was examined, and to measure the financial readability through struc-tural equations and Stata software, and to test the hypothesis of the research, the regression model and Eviews econometrics software were used. In this study, we have tried to Use machine learning techniques and optimization tools as a way to derive adaptive-robust nonlinear models that can reduce the risk of model error as much as possible. The findings of the research show that the time of providing information has an impact on the readability of financial reporting. The obtained outputs from the estimation of the artificial neural networks and results obtained from estimation, using of this method with evaluation scales concerning random amount and comparing it with adjusted R, we found that there is meaningful relation between the associated variables and return. However, such network has the least error than other networks. The results show an overall improvement in forecasting using the neural network as compared to linear regression method. In other words, our proposed system displays an extremely higher profitability potential. The obtained result can be argued that the more the company's information is provided by the managers to the company's shareholders and investors on time and at the right time, the more readable and understandable the financial reports will be. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  164 - ANN-DEA Approach of Corporate Diversification and Efficiency in Bursa Malaysia
  Meysam Doaei Seyed Hashem Davarpanah Mahdi Sabzi
  10.22034/amfa.2017.529058
  There is little consensus on the corporate diversification-efficiency relationship in the diversification literature. According to the corporate diversification, firms have a tendency to get more market share with diversifying in the local segment or in the internationa أکثر

  There is little consensus on the corporate diversification-efficiency relationship in the diversification literature. According to the corporate diversification, firms have a tendency to get more market share with diversifying in the local segment or in the international market. Theoretically, a contradictory exists between the profitable strategy and the value reducing strategy in the diversification strategy. In this paper, we measure firm’s efficiency by applying Data Envelopment Analysis (DEA) in manufacturing firms listed in Bursa Malaysia for five years. Meanwhile, a feed forward multilayer perceptron neural network is applied to model the mapping function between the input and output data to the efficiency score. Back propagation (BP) learning algorithm is applied to update network’s weights through minimizing the cost function, and the best topology of the network is conducted. The result of this study shows that there is a negative relationship between total product diversification and efficiency, and international diversification has a non-linear effect on the efficiency. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  165 - Forecasting the Profitability in the Firms Listed in Tehran Stock Exchange Using Data Envelopment Analysis and Artificial Neural Network
  Maryam Saberi Mohammad Reza Rostami Mohsen Hamidian Nafiseh Aghami
  10.22034/amfa.2016.527823
  Profitability as the most important factor in decision-making, has always been considered by stake holders in the company's profitability. Alsocan bea basis forevaluatingthe performance of themanagers. The ability to predict the profitability can be very useful to help أکثر

  Profitability as the most important factor in decision-making, has always been considered by stake holders in the company's profitability. Alsocan bea basis forevaluatingthe performance of themanagers. The ability to predict the profitability can be very useful to help decision-makers. That's why one of the most important issues is the expected profitability. The importance of these forecasts depends on the amount of misalignment with reality. The amount of deviation is less than the forecast of higher accuracy. Although there are various methods for predicting but the use of artificial intelligence techniques is increasing due to fewer restriction. The aim of this study is to evaluate the predictive power of profitability using DEA and neutral network, to enhance the decision-making users of 2012 to 2015of 7 premier financial ratios were used as independent variables. Test results show that both of ANN and DEA have ability to forecast profitability and given that neutral network prediction accuracy is higher than the DEA, the model predict better the profitability of companies. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  166 - پیشگویی شاخص سمیت LD50 در مشتقات آنیلین)حاوی ترکیبات علف‌‌کش( با روش‌های محاسباتی
  عصمت محمدی نسب مرتضی رضایی
  در دهه‌ های گذشته، استفاده از روش ‌های محاسباتی با پارامترهای اعتبار سنجی دقیق برای تعیین خواص فیزیکی- شیمیایی ترکیبات، به ‌عنوان جایگزین اقتصادی و زیست ‌محیطی باصرفه جویی در زمان و حذف هزینه‌ های بالا مورد توجه بسیاری از پژوهشگران قرارگرفته است. در این مطالعه، به بررس أکثر

  در دهه‌ های گذشته، استفاده از روش ‌های محاسباتی با پارامترهای اعتبار سنجی دقیق برای تعیین خواص فیزیکی- شیمیایی ترکیبات، به ‌عنوان جایگزین اقتصادی و زیست ‌محیطی باصرفه جویی در زمان و حذف هزینه‌ های بالا مورد توجه بسیاری از پژوهشگران قرارگرفته است. در این مطالعه، به بررسی ارتباط مقادیر لگاریتمی سمیت LD50 (log (LD50)(molkg-1))با توصیف گرهای مولکولی برای 60 نوع از مشتقات آنیلین (شامل ترکیبات علف‌ کش) پرداخته‌ شده است. بعد از ترسیم ساختار این ترکیبات با استفاده از نرم ‌افزار 05 Gauss View و بهینه ‌ سازی آن‌ها با کمک نرم‌ افزار 09 Gaussian با روش **G++311-6/B3LYP توصیف گرهای مولکولی استخراج شدند. به کمک ژنتیک الگوریتم، توصیف گرهای نامناسب حذف‌ شده و بهترین آن‌ ها برای مدل‌ های رگرسیون خطی چندگانه و شبکه عصبی مصنوعی مورداستفاده قرار گرفتند. نتایج حاصل از این مدل نشان داد که روش شبکه عصبی مصنوعی با کمترین خطا و بالاترین ضریب تعیین نسبت به روش رگرسیون خطی چندگانه برای پیش بینی لگاریتم سمیت (molkg-1)LD50 مشتقات آنیلین از برتری بالایی برخوردار است. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  167 - مطالعه ارتباط کمی ساختار- فعالیت برای پیش‌‌بینی شاخص LD50 در آفت‌کش‌های ارگانوفسفات
  عصمت محمدی نسب مینا کیانپور
  سموم ارگانوفسفات از جمله سموم شیمیایی خطرناک برای سلامت انسان محسوب می شوند. بسیاری از محققین، با وجود رعایت اصول ایمنی و جلوگیری از مواجهه با خطرات ناشی از استفاده از ترکیبات شیمیایی، به منظور بررسی میزان سمیت ترکیبات ارگانوفسفات در تماس با این سموم قرار دارند و احتم أکثر

  سموم ارگانوفسفات از جمله سموم شیمیایی خطرناک برای سلامت انسان محسوب می شوند. بسیاری از محققین، با وجود رعایت اصول ایمنی و جلوگیری از مواجهه با خطرات ناشی از استفاده از ترکیبات شیمیایی، به منظور بررسی میزان سمیت ترکیبات ارگانوفسفات در تماس با این سموم قرار دارند و احتمال جذب این سموم از طریق پوست وجود دارد. مطالعه ارتباط ساختار - فعالیت با کمک رو ش ها و مدل های تئوری پیش بینی کننده، با صرف حداقل وقت و هزینه، امکان دست یابی به داده ها، اطلاعات و خواص فیزیکی- شیمیایی ترکیبات مورد نظر را فراهم می نماید. در این مطالعه، روش های رگرسیون خطی چندگانه و شبکه عصبی مصنوعی با مدل پرسپترون چند لایه با هدف بررسی ارتباط کمی شاخص سمیت LD50با برخی توصیف‌ گرهای مولکولی، در برخی ترکیبات ارگانوفسفات به‌ کار گرفته شد. بررسی مقادیر ضرایب همبستگی و میزان جذر خطای مجذور میانگین مدل های پیشنهادی در این مطالعه نشان داد که روش شبکه عصبی مصنوعی در پیش بینی شاخص سمیت LD50 در ترکیبات ارگانوفسفات نسبت به روش رگرسیون خطی چندگانه، از برتری بسیار بالایی برخوردار می باشد. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  168 - پیش بینی LD50 در مشتقات کربوکسیلیک اسید با مدل های رگرسیون خطی چندگانه و شبکه عصبی مصنوعی
  عصمت محمدی نسب فهیمه محمایی
  در این تحقیق، از طریق مطالعه رابطه ساختار-فعالیت به پیش بینی مقادیر سمیت مشتقات کربوکسیلیک اسید پرداخته شده است. ابتدا مقادیر LD50 برای مجموعه ای از ترکیبات مورد مطالعه با استفاده از منابع علمی معتبر استخراج گردید و ساختار آنها به کمک نرم‌افزار گوس ویو 05 رسم شده و با ن أکثر

  در این تحقیق، از طریق مطالعه رابطه ساختار-فعالیت به پیش بینی مقادیر سمیت مشتقات کربوکسیلیک اسید پرداخته شده است. ابتدا مقادیر LD50 برای مجموعه ای از ترکیبات مورد مطالعه با استفاده از منابع علمی معتبر استخراج گردید و ساختار آنها به کمک نرم‌افزار گوس ویو 05 رسم شده و با نرم‌افزار گوسین09 به روش هارتری فاک و سری پایه G21-3 بهینه شدند. سپس با استفاده از نرم افزار دراگون توصیف‌گرهای مولکولی استخراج گردیدند. به کمک ژنتیک الگوریتم و روش برگشتی توصیف‌گرهای نامناسب حذف ‌شده و بهترین آنها برای مدل‌های رگرسیون خطی چندگانه و شبکه عصبی مصنوعی مورد استفاده قرار گرفت. دقت پیش بینی مدل نهایی توسط ضرایب آماری مورد بحث قرار گرفت. اعتبارسنجی تقاطعی و نیز اعتبارسنجی خارجی مدل های پیش بینی همبستگی بسیار بالا را بین مقادیر تجربی و مقادیر پیش بینی گروه های آموزش آزمون و اعتبارسنجی در روش شبکه عصبی مصنوعی نشان داد. مشخص گردید که روش شبکه عصبی مصنوعی با خطای کمتر و ضریب تعیین بالاتر نسبت به روش رگرسیون خطی چندگانه از برتری قابل توجه ای برخوردار می باشد. مدل پیشنهادی می تواند برای پیش بینی log(LD50) ترکیبات جدید کربوکسیلیک اسید مفید واقع گردد. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  169 - Inverse modeling of gravity field data due to finite vertical cylinder using modular neural network and least-squares standard deviation method
  Ata Eshaghzadeh Sanaz Seyedi Sahebari Roghayeh Alsadat Kalantari
  10.30495/ijes.2019.669401
  In this paper, modular neural network (MNN) inversion has been applied for the parameters approximation of the gravity anomaly causative target. The trained neural network is used for estimating the amplitude coefficient and depths to the top and bottom of a finite vert أکثر

  In this paper, modular neural network (MNN) inversion has been applied for the parameters approximation of the gravity anomaly causative target. The trained neural network is used for estimating the amplitude coefficient and depths to the top and bottom of a finite vertical cylinder source. The results of the applied neural network method are compared with the results of the least-squares standard deviation method. The inverse modeling has been tested first on synthetic gravity data. The synthetic data are infected with random noise to evaluate the effect of noise on performance of the methods. Both methods show satisfactory results, with and without random noise. The MNN and least squares standard deviation approaches have been applied to two real gravity data due to two salt domes from Iran and USA, where the results comparison shows good agreement with each other. The computed standard errors indicate the generated gravity response of the estimated parameters from MNN has better conformity with the observed gravity anomaly than the generated gravity response from the least squares method. The results of the MNN inversion show the top and bottom depths of the salt dome situated in Iran are about 24.5 m and 63.8 m and for the salt dome situated in USA are about 1451 m and 9263 m, respectively. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  170 - A Robust Methodology for Prediction of DT Wireline Log
  Sh. Maleki A. Moradzadeh R. Ghavami F. Sadeghzadeh
  DT log is one of the most frequently used wireline logs to determine compression wave velocity. This log is commonly used to gain insight into the elastic and petrophysical parameters of reservoir rocks. Acquisition of DT log is, however, a very expensive and time consu أکثر

  DT log is one of the most frequently used wireline logs to determine compression wave velocity. This log is commonly used to gain insight into the elastic and petrophysical parameters of reservoir rocks. Acquisition of DT log is, however, a very expensive and time consuming task. Thus prediction of this log by any means can be a great help by decreasing the amount of money that needs to be allocated for acquisition. Support vector machine (SVM) is one of the best artificial intelligence techniques proven to be a reliable method in the prediction of various real world problems. The aim of this paper is to use SVM to predict the DT log data of a well located in the southern oilfields of Iran. By comparing the results of SVM with those obtained by a Back Propagation Neural Network (BPNN) we were able to verify the accuracy of SVM in the prediction of P-wave velocity. Hence, this method is recommended as a cost effective tool in the prediction of P- wave velocity تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  171 - Artificial Intelligence for prediction of porosity from Seismic Attributes: Case study in the Persian Gulf
  A. Hosseini M. Ziaii A. Kamkar Rouhani A. Roshandel R. Gholami J. Hanachi
  Porosity is one of the key parameters associated with oil reservoirs. Determination of this petrophysical parameter is an essential step in reservoir characterization. Among different linear and nonlinear prediction tools such as multi-regression and polynomial curve fi أکثر

  Porosity is one of the key parameters associated with oil reservoirs. Determination of this petrophysical parameter is an essential step in reservoir characterization. Among different linear and nonlinear prediction tools such as multi-regression and polynomial curve fitting, artificial neural network has gained the attention of researchers over the past years. In the present study, two-dimensional (2D) seismic and well logs data of the Burgan oil field were used for prediction of the reservoir porosity. In this regard, broad-band acoustic impedance was first extracted from 2D seismic dataset, as the attribute most related to porosity. Next, other optimum seismic attributes were selected using stepwise regression and cross validation techniques. At the end, three types of neural network were used for inversion of seismic attributes and prediction of reservoir porosity. The results show that probabilistic neural network (PNN) is the best one for prediction of the reservoir porosity using seismic attributes. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  172 - مدل ریاضی میزان انرژی مورد نیاز و سنیتیک خشک‌کردن اسطوخودوس با استفاده از شبکه عصبی مصنوعی
  محمد یونسی الموتی حمید خفاجه محمد زارعین
  10.30495/sarj.2023.1982366.1125
  گیاهی دارویی چندین ساله به ارتفاع حدود نیم‌متر است که در نواحی مختلف ایران می‌روید. خشک‌کردن یکی از قدیمی‌ترین روش‌های نگهداری مواد است. استفاده از شبکه‌های عـصبی در طراحـی و انتخاب شرایط کاری بهینه و کنترل خشک‌کن می تواند به کار رود. در این مطالعه به بررسی پارامترهای م أکثر

  گیاهی دارویی چندین ساله به ارتفاع حدود نیم‌متر است که در نواحی مختلف ایران می‌روید. خشک‌کردن یکی از قدیمی‌ترین روش‌های نگهداری مواد است. استفاده از شبکه‌های عـصبی در طراحـی و انتخاب شرایط کاری بهینه و کنترل خشک‌کن می تواند به کار رود. در این مطالعه به بررسی پارامترهای مختلف خشک‌کردن، ارزیابی مدل‌های ریاضی جهت تعیین بهترین مدل، ارزیابی توپولوژی‌های مختلف شبکه عصبی مصنوعی MLP جهت تعیین بهترین شبکه برای گیاه اسطوخودوس با خشک‌کن مایکروویو با محدوده توان 1000-100 وات و فرکانس 2450 مگاهرتز در چهار سطح توان 300، 500، 700 و 900 وات پرداخته شده است. از شبکه‌ عصبی مصنوعی MLP برای پیش‌بینی ارتباط بین پارامترهای سینتیک خشک‌کردن (نسبت رطوبت و نرخ خشک-شدن) و بازده انرژی مصرفی با تغییرات توان مصرفی مایکروویو با بکارگیری نرم افزار استاتیستیکا استفاده شد. از بین مدل‌های برازش شده، مدل میدیلی به عنوان بهترین مدل با توجه به معیار‌های R 2، 2 χ و RMSE انتخاب شد. سطوح توان مایکروویو بر مدت زمان خشک شدن تأثیر داشت، به‌طوری‌که زمان خشک شدن برای توان 900 وات 3 دقیقه و برای توان 300 وات 11 دقیقه به دست آمد. به منظور پیش‌بینی پارامترهای سینتیک خشک‌کردن و بازده انرژی مصرفی، شبکه MLP دارای یک ورودی و سه خروجی به طور موفقیت‌آمیزی مورد استفاده قرار گرفت. نتایج به طور کلی نشان داد که شبکه عصبی مصنوعی MLP یک ابزار بسیار قدرتمند در پیش‌بینی پارامترهای سینتیک خشک‌کردن و بازده انرژی مصرفی گیاه دارویی اسطوخودوس بر اساس مقادیر توان مصرفی مایکروویو است. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  173 - ارتباط کمی ساختار-فعالیت بر روی یک سری از مشتقات ایمیدازو [1 و 2-a ] پیریدین کربوکسامید به عنوان عوامل ضد سل
  محسن نکوئی نیا سعید یوسفی نژاد
  مقاومت بیماری سل به دارو همچنان یکی از مهمترین چالش های پیش رو در درمان این بیماری عفونی است و بنابراین کشف و توسعه داروهای جدید موثر ضد سل همواره مورد توجه محققان است. در این مطالعه، تحلیل ارتباط کمی ساختار-فعالیت (QSAR) بر روی یک سری از مشتقات ایمیدازول[1 و2- a] پیرید أکثر

  مقاومت بیماری سل به دارو همچنان یکی از مهمترین چالش های پیش رو در درمان این بیماری عفونی است و بنابراین کشف و توسعه داروهای جدید موثر ضد سل همواره مورد توجه محققان است. در این مطالعه، تحلیل ارتباط کمی ساختار-فعالیت (QSAR) بر روی یک سری از مشتقات ایمیدازول[1 و2- a] پیریدین کربوکسامید به عنوان عوامل ضد سل اعمال شد. فعالیت بیولوژیکی 18 ترکیب با روش های رگرسیون خطی چندگانه و شبکه عصبی مصنوعی برآورد شد. چهار توصیف کننده مولکولی (nCl، MATS8m، BELe4 وGATS8e) با استفاده از رگرسیون خطی چندگانه گام به گام انتخاب شدند. بهترین نتایج شبکه عصبی مصنوعی با الگوی 5-5-1 آموزش داده شده با الگوریتم پس انتشار رو به جلو به دست آمد. یک مجموعه آزمون حاوی 5 ترکیب برای ارزیابی توانایی پیش‌بینی مدل استفاده شد. نتایج نشان داد که رویکرد شبکه عصبی مصنوعی در مقایسه با رگرسیون خطی چندگانه قدرت پیش بینی بهتری را ارائه می دهد. بر اساس نتایج این مطالعه، الکترونگاتیوی، جرم اتمی و هندسه مولکولی عوامل مهم کنترل کننده فعالیت ضد سل هستند. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  174 - Design and Implementation of Organizational Architecture in Organizations in Charge of Combating Smuggling of Goods and Currency with the Aim of Improving the Management of Organizational Networks
  Abdolreza Yari Mohammadali Keramati Ahmadreza Etemadi Abdollah Kouloubandi
  10.30495/jsm.2021.1923975.1443
  In the current situation, one of the concerns in the fight against smuggling of goods and currency is the improvement of the inter-organizational network. The purpose of this research is to design and implement organizational architecture to improve the management of or أکثر

  In the current situation, one of the concerns in the fight against smuggling of goods and currency is the improvement of the inter-organizational network. The purpose of this research is to design and implement organizational architecture to improve the management of organizational networks with SWOT approach, in this area using the artificial neural network toolbox and fuzzy logic in Matlab. This research is applied-modeling in terms of purpose. The statistical population includes expert professors and experts of organizations in charge of combating smuggling of goods and currency. After distributing 100 questionnaires, the sample size of this study is equal to 96 experts who were selected by a combination of two methods of non-probabilistic purposive sampling and snowball sampling. The results show that using the intelligent system, the status of "success of the organization's network management" can be examined numerically and more accurately: In terms of ideal importance, if; The "Network Management Based on EA Application Layer" status is good, ie exactly 0.813, and "Network management based on EA data source layer" is good, ie exactly 0.824, and "Network Management Based on EA Central Component Layer" is good, ie exactly 0.819, and "Network Management Based on EA Data Preparation Layer" is good, ie exactly 0.812, and "Network management based on EA service quality layer" in good condition, ie exactly 0.815;Then; The status of "successful implementation of the organization's network management" is at the top level (fifth level), ie exactly 0.952.According to the membership functions of language variables by experts, the value of 4.76 within the 5-value range in the range defined for the "excellent" language variable, ie the success status of the organization's network management, has been calculated exactly 0.952. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  175 - Designing Cell Production Arrangement Scenarios with the Approach of Artificial Neural Networks
  Mahdi Ahmadipanah Kamyar Chalaki Roya Shakeri
  10.30495/jsm.2022.1964485.1673
  The arrangement of machines and how to move them is one of the most important issues in factories and production units, which always imposes a lot of costs on the collections. Although the arrangement of machines is done once over a long period of time, its effects are أکثر

  The arrangement of machines and how to move them is one of the most important issues in factories and production units, which always imposes a lot of costs on the collections. Although the arrangement of machines is done once over a long period of time, its effects are very widespread. Accordingly, it is necessary to pay more attention to the matter of arrangement. Today, cellular production is also one of the widespread production methods at the industrial level, which requires this precision. The current research aims to produce new arrangements by using artificial neural networks. The way of working is that by using the data related to the number of production parts, the production time of each part, and the group of parts under investigation, as well as the costs of the devices, this clustering is done in 3 modes of 4, 6, and 9. Performing this type of clustering has higher accuracy and speed than other methods, and the results may be somewhat different in each scenario and with each clustering time, which increases flexibility in selection. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  176 - Designing an Optimal Model Using Artificial Neural Networks to Predict Non-Linear Time Series (case study: Tehran Stock Exchange Index)
  Bahman Ashrafijoo Nasser Fegh-hi Farahmand Yaghoub Alavi Matin kamaleddin rahmani
  10.30495/jsm.2022.1965914.1679
  Investing in stocks is fraught with long risks that make it tough to manage and predict the choices out there to the investor. Artificial Neural Network (ANN) is a popular method which also incorporates technical analysis for making predictions in financial markets. The أکثر

  Investing in stocks is fraught with long risks that make it tough to manage and predict the choices out there to the investor. Artificial Neural Network (ANN) is a popular method which also incorporates technical analysis for making predictions in financial markets. The purpose of this work is an applied study which is conducted using description based on testing as method. The discussion is established on analytical-computational methods. In this research, the documents and statistics of the Tehran Stock Exchange are used to obtain the desired variables. Descriptive statistics and inferential statistics, as well as Perceptron multi-layer neural networks are utilized to analyze the data of this research. The results of this research show the confirmation of the high prediction accuracy of the Tehran Stock Exchange index compared to other estimation methods by the presented model, which has the ability to predict the total index with less than 1.7% error. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  177 - The use of wavelet - artificial neural network and adaptive neuro fuzzy inference system models to predict monthly precipitation
  اباذر سلگی حیدر زارعی بهداد فلامرزی
  Precipitation forecasting due to its random nature in space and time always faced with many problems and this uncertainty reduces the validity of the forecasting model. Nowadays nonlinear networks as intelligent systems to predict such complex phenomena are widely used. أکثر

  Precipitation forecasting due to its random nature in space and time always faced with many problems and this uncertainty reduces the validity of the forecasting model. Nowadays nonlinear networks as intelligent systems to predict such complex phenomena are widely used. One of the methods that have been considered in recent years in the fields of hydrology is use of wavelet transform as a modern and efficient method to analysis of signals and time series.In this study, wavelet analysis combined with artificial neural network and compared with fuzzy inference system-adaptive neural for forecasting rainfall in Vrayneh station in the Nahavand. For this purpose, the original time series using wavelet theory decomposed to multi time sub-signals, then these sub-signals as input data to the neural network was used to predict monthly flow.Obtained results showed that hybrid wavelet - neural network model outperformed than fuzzy inference system - adaptive neural model and cant used for prediction of short and long term precipitation. Also the results showed that the hybrid model of wavelet - neural network acts well in estimating the extent points. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  178 - Evaluation of Khorramshahr wastewater treatment plant using neural and artificial networks and support vector machine and the possibility of using it for agricultural purposes
  علی ایران فر علیرضا نیکبخت شهبازی رضا جلیل زاده ینگجه
  In this research, neural and artificial network and support vector machine have been used to evaluate the wastewater of Khorramshahr treatment plant. Also, the possibility of using the city's sewage for agricultural purposes was investigated. In this study, the monthly أکثر

  In this research, neural and artificial network and support vector machine have been used to evaluate the wastewater of Khorramshahr treatment plant. Also, the possibility of using the city's sewage for agricultural purposes was investigated. In this study, the monthly values ​​of BOD, COD, TS and TSS that were required in this study were used and also these values ​​were used to evaluate the wastewater of Khorramshahr treatment plant for use in agriculture. The application of artificial neural network model is also possible to predict the quality of effluent from wastewater treatment plants. The selected ANN (LM) model had good accuracy in estimating BOD5. However, this model had poorer performance in predicting maximum values. Using a two-stage network search optimization algorithm, the optimal values ​​of the characteristics of the SVM model, namely ɛ, C and γ, were obtained as 0.037, 13 and 1.472, respectively. Finally, according to the results obtained in this study, the SVM model was recommended for BOD5 time prediction for Khorramshahr refinery. According to the results obtained from the qualitative analysis of treated wastewater, effluent from BOD5 removal is equal to 88%, COD is equal to 92%, TDS is equal to 70% and TSS removal is equal to 27%. Khorramshahr wastewater treatment plant effluent salinity was measured with a minimum salinity of 208, maximum 3050 and an average of 1544 micromoles per centimeter. Therefore, the effluent of the city's wastewater treatment plant is in group C3, acceptable water. Based on the amount of sodium in the effluent of the treatment plant for irrigation of wheat, barley, soybeans, figs, olives, poplar and the like, according to the Wilcox diagram, there are no restrictions on the use of this effluent. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  179 - Determining water quality along the river with using evolutionary artificial neural networks (Case Study, Karoon River , Shahid Abbaspur-Arab Asad reach)
  محمد نیکو مهدی نیکو تیمور بابائی نژاد آزاده امیری قدرت الله رستم پور
  Rivers are important as the main source of supply for drinking, agriculture and industry.However, drinking water quality in terms of qualitative parameters, is the most important variable. Studias and predicting changes in quality parameters along a river, are one of th أکثر

  Rivers are important as the main source of supply for drinking, agriculture and industry.However, drinking water quality in terms of qualitative parameters, is the most important variable. Studias and predicting changes in quality parameters along a river, are one of the goals of water resources planners and managers. In this regard, many water quality models in order to maintain better water quality management are developed. The artificial neural network models that are inspired by the structure of the human brain, as the best option will be investigated and evaluated. In this research was done on the Karoon River, the largest river in the country and using the parameters in the stations along the river (Shahid Abbaspur-Arab Asad reach). To this end , discharge , month , along river and electrical conductive in the measured in Shahid Abbaspur , Pole Shalu , Gotvand and Arab Asad station were considered as the input model and using neural network model , sodium adsorption ratio (SAR) and total dissolve salts (TDS) were measured in the same stations.Including those in this study as a new method has been used to determine water quality parameters are simultaneously at several stations.In order to optimize each of evolutionary artificial neural network models was used genetic algorithm.The results showed that chosen artificial neural network model to station non-linear regression model of skills , flexibility and more accurate in productivity water quality in rivers is capable. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  180 - Prediction of scour dimension in the Plunge Pools below Outlet Bucket with Artificial intelligence method
  علی لشکرآرا سارا خرم زاده
  Accurate prediction of sediment scour hole dimensions downstream of hydraulic structures, e.g. the outlet bucket, is a complex and not straight forward engineering problem encountered worldwide. Because of the complexities of the study, its comprehensive, simultaneous i أکثر

  Accurate prediction of sediment scour hole dimensions downstream of hydraulic structures, e.g. the outlet bucket, is a complex and not straight forward engineering problem encountered worldwide. Because of the complexities of the study, its comprehensive, simultaneous including water flow, sediment and applying all of the effective variables involved in scouring it is not easy possible. Dimensions of a scour hole are usually determined by empirical equations which their validation is limited by experimental conditions. As constructing physical models has its own difficulty, determining of scour hole parameters has been applied in this paper for a collection of previous experimental studies. Two artificial intelligence techniques (ANN & ANFIS) are used and the results are compared with empirical equation for maximum scour holes using nonlinear regression method. Artificial Neural Network (ANN) simply represents interconnection of neurons, each of which carries out the task of combining the input, determining its strength by comparing the combination and finding out the result. On the other hand, ANFIS is a hybrid scheme which uses the learning capability of the ANN to derive the fuzzy rules with membership functions. The results showed that maximum error caused by applying ANFIS techniques in estimating scour hole dimensions was 5.2 percent while the error in neural network model was 10.38 percent. The significance of different parameters was discussed and a simple, innovative formula was proposed. This formula is an interesting tool for the engineering community due to its preferences for estimating the parameters of complex phenomena like erosion procedures. It has been established that scour estimations could be improved if soft computation is used in place of the traditional formulae. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  181 - Forecasting and Sensitivity Analysis of Monthly Evaporation from Siah Bisheh Dam Reservoir using Artificial neural Networks combined with Genetic Algorithm
  آزاده محمدیان شوئیلی حسن فتحیان مهدی اسدی لور
  Evaporation process, the main component of the water cycle in nature, is essential in agricultural studies, hydrology and meteorology, the operation of reservoirs, irrigation and drainage systems, irrigation scheduling and management of water resources. Various methods أکثر

  Evaporation process, the main component of the water cycle in nature, is essential in agricultural studies, hydrology and meteorology, the operation of reservoirs, irrigation and drainage systems, irrigation scheduling and management of water resources. Various methods have been presented for estimating evaporation from free surface including water budget method, evaporation from pan and experimental equations that each of these methods is coupled with the restriction and measurement error. Early the new technique using Artificial Neural Networks (ANNs) based on artificial intelligence has been widely used in various scientific fields, particularly water engineering. In this study, the amount of monthly evaporation from the Siah Bisheh dam reservoir was forecasted up 3 next month using Multi-Layer Perceptron (MLP), Radial Basis Function (RBF) and Feed Forward (FF), of ANNs. The genetic algorithm was used for efficient input variables selection and number of neurons in hidden layer of ANNs. The results showed that the correlation coefficient between measured and computed outputs using RBF, MLP and FF models were 0.92%, 0.90% and 0.88% respectively in the estimation and forecasting of evaporation from the dam reservoir. Therefore the RBF model had more precision rather than MLP and FF models in the estimation and forecasting of monthly evaporation. The results of sensitivity analysis showed that the monthly evaporation from the dam reservoir up 3 next month had most sensitivity to the time of evaporation per month, air pressure on ground surface in 2, 3 and 1 months ago, wind speed on 1000mb pressure in 3 and 2 months ago and air temperature on 300mb pressure in current time respectively. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  182 - طراحی مدل هوشمند بهینه سازی نگهد‌ا‌ری و تعمیر‌ات پیش‌گیرانه در تعامل با تولید در صنعت نساجی و پوشاک با بهره برداری از متدولوژی شبکه عصبی مصنوعی و منطق فازی
  Sayyed Shahram fatemi Mehrdad Javadi Amir Azizi Sayyed Esmail Najafi
  10.30495/imj.2023.1991238.1860
  در این تحقیق مدل هوشمند نگهداری و تعمیرات پیش گیرانه بر اساس متدولوژی شبکه عصبی مصنوعی - منطق فازی به کمک محیط هوش مصنوعی نرم افزار متلب بر اساس ساختار مدل پنج لایه‌ شبکه‌های عصبی مصنوعی فالکن ارائه شده ، روش تحقیق بر مبنای تفکر سیستمی است. پس از تعیین مهمترین عوامل تاث أکثر

  در این تحقیق مدل هوشمند نگهداری و تعمیرات پیش گیرانه بر اساس متدولوژی شبکه عصبی مصنوعی - منطق فازی به کمک محیط هوش مصنوعی نرم افزار متلب بر اساس ساختار مدل پنج لایه‌ شبکه‌های عصبی مصنوعی فالکن ارائه شده ، روش تحقیق بر مبنای تفکر سیستمی است. پس از تعیین مهمترین عوامل تاثیر گذار بر نگهداری و تعمیرات پیش گیرانه به کمک پرسش نامه و بر اساس دیتاست یک نمونه ۲۰۰۰ تایی از داده و گزارشات مدیر کل صنایع نساجی و پوشاک وزارت صمت طی سالهای ۱۳۹۶ تا ۱۴۰۱ (بصورت شش نیم سال) و اعتبار سنجی داده توسط متخصصان نگهداری و تعمیرات ۲۴۰ واحد صنعتی، مدل هوشمند طراحی گردید، که پس از اجرای مدل در کارخانجات نساجی بروجرد به عنوان محل اجرای طرح می‌توان ادعا نمود اگر (If ) ؛ پنج عامل "فن‌‌آوری" دارای مقادیر 9129/0 وضعیت خوب (کران بالای تابع عضویت خوب)، "کارکنان" دارای مقادیری 9239/0؛ وضعیت خوب (کران بالای تابع عضویت خوب)، "محیط کار" دارای مقادیر 8859/0؛ نسبتاً خوب (کران پایین تابع عضویت)،"کیفیت" دارای مقادیر 9999/0؛ وضعیت کاملاً خوب (بالا‌ترین تابع )، " استراتژی" دارای مقادیر 9999/0؛ وضعیت خوب (کران بالا) در نگهداری و تعمیرات پیش گیرانه باشند، آنگاه (Then) : وضعیت متغیر خروجی تحقیق یعنی "بهینه سازی عملکرد نگهد‌ا‌ری و تعمیر‌ات پیش‌گیرانه (Y) در پنجمین سطح خود یعنی خیلی خوب برابر با 882/0 قرار خواهد داشت. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  183 - شناسایی عوامل تاثیرگذار در رویگردانی مشتریان شرکت مخابرات کردستان و ارائه مدل هایی برای پیش بینی رویگردانی با استفاده از الگوریتم های یادگیری ماشین
  vida sadeghi Anvar Bahrampour Seyed Ali Hosseini
  10.30495/imj.2023.1987440.1850
  مشتریان منبع اصلی درآمد و دارایی مهم برای هر سازمان هستند. با این دیدگاه، امروزه شرکت‌ها تلاش بیشتری را برای حفظ مشتریان موجود آغاز کرده‌اند. از آنجا که در بسیاری از شرکت‌ها هزینه به‌دست آوردن مشتری جدید بسیار بالاتر از هزینه ایجاد رضایتمندی مشتری فعلی است، رویگردانی مش أکثر

  مشتریان منبع اصلی درآمد و دارایی مهم برای هر سازمان هستند. با این دیدگاه، امروزه شرکت‌ها تلاش بیشتری را برای حفظ مشتریان موجود آغاز کرده‌اند. از آنجا که در بسیاری از شرکت‌ها هزینه به‌دست آوردن مشتری جدید بسیار بالاتر از هزینه ایجاد رضایتمندی مشتری فعلی است، رویگردانی مشتری به حوزه اصلی نگرانی این شرکت‌ها تبدیل شده است. لذا شرکت‌های مبتنی بر مشتری از جمله شرکت‌های فعال در صنعت مخابرات به دلیل رویگردانی مشتریان با چالش بزرگی روبرو هستند. با توسعه سریع صنعت مخابرات، پیش‌بینی رویگردانی به عنوان یکی از فعالیتهای اصلی در به ‌دست آوردن مزیت رقابتی در بازار محسوب می‌شود. پیش‌بینی رویگردانی مشتری به اپراتورها اجازه می‌دهد تا قبل از مهاجرت مشتریان فعلی به اپراتورهای دیگر، یک دوره زمانی برای اصلاح و اجرای یک سری اقدامات پیشگیرانه داشته باشند. در این پژوهش یک سیستم پشتیبانی تصمیم برای پیش‌بینی و تخمین رویگردانی مشتریان شرکت مخابرات استان کردستان (دارای 529000 مشترک) با روش‌های مختلف داده‌کاوی و یادگیری ماشین (شامل رگرسیون خطی چندگانه (MLR)، رگرسیون چند جمله-ای(PR)، رگرسیون لجستیک، شبکه‌های عصبی مصنوعی، آدابوست و جنگل تصادفی) ارایه شده است. نتایج ارزیابی‌های انجام شده بر روی مجموعه داده‌های شرکت مخابرات استان کردستان عملکرد بالای روش‌های شبکه‌های عصبی مصنوعی با دقت 99.9% ، آدابووست با دقت 100% و جنگل تصادفی با دقت 100% را نشان می‌دهد. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  184 - ارائه مدلی برای پیش بینی سودآوری شرکت های داروسازی با استفاده از شبکه عصبی مصنوعی
  Ali Habibi Ghaffar Tari
  هدف این تحقیق تدوین مدلی برای پیشبینی سودآوری شرکتهای داروسازی با استفاده از شبکه عصبی مصنوعی میباشد. روش تحقیق توصیفی- مدلسازی بوده و جامعه آماری این تحقیق کلیه شرکتهای داروسازی فعال عضو بورس اوراق بهادار به تعداد 21 شرکت میباشد. با توجه به محدود بودن جامعه آماری، هیچ أکثر

  هدف این تحقیق تدوین مدلی برای پیشبینی سودآوری شرکتهای داروسازی با استفاده از شبکه عصبی مصنوعی میباشد. روش تحقیق توصیفی- مدلسازی بوده و جامعه آماری این تحقیق کلیه شرکتهای داروسازی فعال عضو بورس اوراق بهادار به تعداد 21 شرکت میباشد. با توجه به محدود بودن جامعه آماری، هیچ گونه نمونهگیری انجام نشده و کل جامعه مورد پیمایش قرار گرفته است. برای جمع آوری دادهها از اسناد و مدارک شرکتهای داروسازی پذیرفته شده در بورس اوراق بهادار تهران و برای تجزیه وتحلیل دادهها از شبکه عصبی مصنوعی استفاده شده است. نتایج بررسیها نشان میدهد که بهترین مدل پیشبینی سودآوری شرکتهای داروسازی با در نظر گرفتن متغیرهای سرمایه در گردش به کل داراییها، سود(زیان) انباشته به کل داراییها، سود قبل از بهره و مالیات به کل داراییها، ارزش بازار حقوق صاحبان سهام به ارزش دفتری بدهیها، فروش به کل داراییها و نقدینگی بدست آمده است. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  185 - پیش بینی عملکرد چیلر جذبی تک اثره بخار با استفاده از شبکه عصبی مصنوعی
  فرشاد پناهی زاده مهدی حمزه ای محمود فرزانه گرد
  چیلرهای جذبی تک اثره با توجه به دما و فشار منبع حرارتی مورد استفاده به دو نوع تک اثره آب گرم و بخار تقسیم می شوند. که نوع تک اثره بخار آن به دلیل توانایی استفاده از بخار دور ریز در صنایع نفت، گاز و پتروشیمی جهت تولید سرمایش فرآیندی و تهویه مطبوعی دارای کاربرد بیشتری است أکثر

  چیلرهای جذبی تک اثره با توجه به دما و فشار منبع حرارتی مورد استفاده به دو نوع تک اثره آب گرم و بخار تقسیم می شوند. که نوع تک اثره بخار آن به دلیل توانایی استفاده از بخار دور ریز در صنایع نفت، گاز و پتروشیمی جهت تولید سرمایش فرآیندی و تهویه مطبوعی دارای کاربرد بیشتری است. در تحقیق حاضر در خصوص پیش بینی عملکرد چیلر جذبی تک اثره بخار از شبکه عصبی مصنوعی استفاده شده که نسبت به روشهای مدلسازی ترمودینامیکی دارای سرعت بالاتر و هزینه محاسباتی کمتری است. شبکه عصبی پرسپترون چند لایه با الگوریتم پس انتشار خطا، تابع محرک تانژانت هیپربولیک و روش آموزش لونبرگ-مارکوارت با تعداد 15285 داده و شاخص ارزیابی میانگین مربع خطا بکار برده شده است. ورودی های شبکه عصبی مصنوعی به ترتیب دمای آب برج خنک کننده ورودی، دمای آب سرمایشی ورودی، دمای بخار ورودی، دمای آب سرمایشی خروجی و راندمان مبدل حرارتی محلول هستند و خروجی های شبکه عصبی نیز ضریب عملکرد و انرژی حرارتی مصرفی چیلر می باشند. نتایج حاصل از تحقیق حاضر نشان می دهند که روش شبکه عصبی مصنوعی توانایی پیش بینی ضریب عملکرد و انرژی حرارتی مصرفی چیلر جذبی تک اثره را با میانگین مربع خطا به ترتیب 7-10×183/3 و 8-10×466/7 دارا می باشد که حاکی از دقت بالای این روش در پیش بینی عملکرد چیلر جذبی است. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  186 - تخمین عمر مفید باقیماندۀ سیستم‌های مکانیکی با استفاده از روش ترکیبی مدل ریاضی و الگوریتم‌های فراابتکاری
  فاطمه مهرگان
  پیش‌بینی دقیق از عمر مفید باقیمانده تجهیزات مکانیکی، برای تعمیـرات و نگهداری وسایل ضروری است. تاکنون الگوریتم‌های داده‌محور زیادی ارائه شده است و نتایج خوبی در زمینه عیب‌یابی پیشگویانه حاصل شده است. در این مقاله با استفاده از الگوریتم فرا ابتکاری، بهینه‌سازی پارامترهای أکثر

  پیش‌بینی دقیق از عمر مفید باقیمانده تجهیزات مکانیکی، برای تعمیـرات و نگهداری وسایل ضروری است. تاکنون الگوریتم‌های داده‌محور زیادی ارائه شده است و نتایج خوبی در زمینه عیب‌یابی پیشگویانه حاصل شده است. در این مقاله با استفاده از الگوریتم فرا ابتکاری، بهینه‌سازی پارامترهای مربوطه انجام می‌شود، به‌طوری‌که از پنجره زمانی متحرک به‌همراه مدل ریاضی استفاده می‌شود. تنظیم پارامترهای مرتبط با داده‌ها در چارچوب بهینه‌سازی، اجازه استفاده از مدل‌های ساده مثل شبکه‌های عصبی با تعداد کمی لایه پنهان و تعداد کمی نورون در هر لایه را می‌دهد که در محیط‌هایی با منابع محدود نظیر سیستم‌های تعبیه‌شده قابل استفاده هستند. برای ارزیابی کارایی روش ارائه شده پیشنهادی، از شاخص امتیازدهی ریشه میانگین مربعات خطا و امتیاز سلامت عمر مفید استفاده شده است. بدین منظور مجموعه داده‌های تصادفی در نظر گرفته شده است که نتایج آن عمومیت و خاصیت مقیاس‌پذیری آن را نشان می‌دهد. با وجود استفاده از رگرسورها و الگوریتم‌های تکاملی خاص در این مطالعه، ترکیب‌های زیاد دیگری نیز امکان‌پذیر است و ممکن است برای کاربردهای متفاوت مناسب‌تر باشند. به‌علاوه این چارچوب عملاً برای ساخت مدل، یعنی ایجاد بهترین معماری شبکه عصبی ممکن متناسب با یک کاربرد خاص، قابل استفاده است. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  187 - براورد رواناب با استفاده از استنتاج عصبی فازی و رگرسیون درحوضه ی آبریز دز
  غزاله احمدیان احمدآباد محمود ذاکری نیری صابر معظمی گودرزی
  تخمین دبی جریان در حوضه آبریز، به دلیل تاثیر ان در مدیریت منابع آب، می تواند نقش اقتصادی مهمی داشته باشد.در این تحقیق، ازمدل های(ANN)،(SVR)و(ANFIS) جهت پیش بینی رواناب حوضه آبریز دزاستفاده شده است. همبستگی بین ایستگاه ها بررسی و ایستگاههای کمندان،زورآباد و دره تخت به دل أکثر

  تخمین دبی جریان در حوضه آبریز، به دلیل تاثیر ان در مدیریت منابع آب، می تواند نقش اقتصادی مهمی داشته باشد.در این تحقیق، ازمدل های(ANN)،(SVR)و(ANFIS) جهت پیش بینی رواناب حوضه آبریز دزاستفاده شده است. همبستگی بین ایستگاه ها بررسی و ایستگاههای کمندان،زورآباد و دره تخت به دلیل همبستگی اندک با ایستگاههای اطراف،حذف شدند سپس به دلیل عدم بررسی دخالت انسانی، با استفاده از نرم افزارxlstatروند ایستگاهها بررسی و ایستگاههای فاقد روند انتخاب شدند.جهت ارزیابی عملکرد مدل ها ازضریب همبستگی(R)،ضریب نش-ساتکلیف (NSE)وریشه ی میانگین مربعات خطا(RMSE)استفاده شده است.نتایج این تحقیق حاکی از برتریANFISبا رویکردکلاسترینگ نسبت به رویکرد شبکه بندی است.مدل های(ANN)،(ANFIS)و(SVR) توانایی خوبی در شبیه سازی جریان حوضه آبریز دز داشته اند. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  188 - Identification and clustering internal stimuli on the effectiveness of advertisement by using Delphi method and perceptron neural network (Case study on sports retailers)
  Tara Taefi Vahid Reza Mirabi Ghasem Ali Bazaee Soheil Sarmad saeidi
  Jay Conrad Levinson describes in his book 20th-century marketing that the Application and the real purpose of Guerrilla marketing advertisements are to use simple and modern Tools and ideas for Audience absorption by spending less money to reach more Profitability. Effe أکثر

  Jay Conrad Levinson describes in his book 20th-century marketing that the Application and the real purpose of Guerrilla marketing advertisements are to use simple and modern Tools and ideas for Audience absorption by spending less money to reach more Profitability. Effectiveness of Guerrilla marketing detectable by studying distinctions through recognizing internal stimuli. the intention of the Article is Identification and clustering internal stimuli on the effectiveness of advertisement by using the Delphi method and perceptron neural network. The method of research combined in terms of functional goal, Descriptive survey performance, and it's nature. twenty-person from the Qualitative part of the Statistical Society of the professors and Activists in the field of advertisement and marketing chosen to be Panel members through purposeful and non-random sampling. components recognized After getting Kendall coefficient 0/95 in the third round by using the Delphi method. Respectively attitudinal variables with Psychological Motivations Indicators, namely, hedonism, and sectarianism, also from a technical prospect with components namely convenience and accessibility, perceived usefulness, and personality variable by recognizing personality types by using Myers- Briggs Type Indicator from panel members point of view is efficient on the effectiveness of Guerrilla marketing advertisements in sports retailers. In order to design and rank recognized components in the Quantitative research section, sports retailers’ customers in Tehran province, which numbered 1000 people, and their information already registered in the system, chosen as Statistical Society. by taking advantage of Cochran formula and Class sampling, 277 people finally chosen as samples. At the binging Myers- Briggs Type Indicator with 70 specialized and close-ended questions has been used in order to determine personality types and then, after determining personality types, the intended questionnaire containing 25 specialized and close-ended questions with 5-point Likert scale given to model members. Through using Perceptron Neural Networks with %92 fit, two Hidden neuron layers, and an outer layer with 4 neurons, based on the linear relation between Guerrilla marketing advertisements, attitude, and personality with four separate strategies, the relation between Attitude components and personality types clustered. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  189 - Evaluation of super-resolution algorithm for detection and recognition of features from MODIS and OLI images at sub-pixel scale using Hopfield Neural Network
  Mohammad Hosein Mehrzade Abarghooee Ali Sarkargar Ardakani
  Fuzzy classification techniques have been developed recently to estimate the classcomposition of image pixels, but their output provides no indication of how theseclasses are distributed spatially within the instantaneous field of view represented bythe pixel. Super-res أکثر

  Fuzzy classification techniques have been developed recently to estimate the classcomposition of image pixels, but their output provides no indication of how theseclasses are distributed spatially within the instantaneous field of view represented bythe pixel. Super-resolution land-cover mapping is a promising technology forprediction of the spatial distribution of each land-cover class at the sub-pixel scale.This distribution is often determined based on the principle of spatial dependence andfrom land-cover fraction images derived with soft classification technology. As such,while the accuracy of land cover target identification has been improved using fuzzyclassification, it remains for robust techniques that provide better spatial representationof land cover to be developed. An approach was adopted that used the output from afuzzy classification to constrain a Hopfield neural network formulated as an energyminimization tool. The network converges to a minimum of an energy function. Thisenergy minimum represents a “best guess” map of the spatial distribution of classcomponents in each pixel. The technique was applied to remote sensing imagery(MODIS & OLI images), and the resultant maps provided an accurate and improvedrepresentation of the land covers. Low RMSE, high accuracy. By using a Hopfieldneural network, more accurate measures of land cover targets can be obtained, The Hopfield neural network used in this way represents a simple, robust, and efficienttechnique, and results suggest that it is a useful tool for identifying land cover targetsfrom remotely sensed imagery at the sub-pixel scale. The present research purpose wasevaluation of HNN algorithm efficiency for different land covers (Land, Water,Agriculture land and Vegetation) through Area Error Proportion, RMSE andCorrelation coefficient parameters on MODIS & OLI images and related ranking,results of present super resolution algorithm has shown that according to precedence,most improvement in feature’s recognition happened for Water, Land, Agricultureland and ad last Vegetation with RMSEs 0.044, 0.072, 0.1 and 0.108. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  190 - License Plate Detection and Recognition based on Neural Networks in Complex Environments
  .N. . Ameena Bibi Purru Supriya
  Now a days due to the rapid advancement of economy around the world the count of vehicles increases day by day. Increase in the number of vehicles causes violation detection, road congestion, accidents at different traffic situations, uneven illumination, lighting and w أکثر

  Now a days due to the rapid advancement of economy around the world the count of vehicles increases day by day. Increase in the number of vehicles causes violation detection, road congestion, accidents at different traffic situations, uneven illumination, lighting and weather conditions. To overcome this issue license plate number is recognized but due to variations in license plate layout, font size of characters, tilted number plates, weather conditions, dirt plate and motion blur license plate recognition becomes difficult. License plate recognition has two main tasks, one is to detect the license plate and the other is to identify the license plate characters. By using region of interest license plate is detected. For recognition first tilted images are corrected using affine transformation and to improve the quality of a low-resolution image super resolution CNN is employed and connected component analysis, horizontal and vertical projection profile area used for separating each individuals characters. Each individual character image is fed to the Convolutional Neural Network (CNN) for character extraction and for classification and the license plate is recognized using convolutional neural networks. The main aim of this paper is to recognize different plate layout with different conditions with minimum data set and less processing time with maximum efficiency. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  191 - Detection, Recognition and Tracking Cars from UAV Based implementation of MobileNet- Single Shot Detection deep neural network on the embedded system By Using Remote Sensing Techniques
  Mohammadjavad Nateghi
  Tracking targets from the ground is difficult due to natural and artificial barriers, and in some cases, such as car detection, is dangerous, therefore, identifying targets using remote sensing is obvious. To achieve the purpose, the desired camera is installed on the u أکثر

  Tracking targets from the ground is difficult due to natural and artificial barriers, and in some cases, such as car detection, is dangerous, therefore, identifying targets using remote sensing is obvious. To achieve the purpose, the desired camera is installed on the unmanned aerial vehicle (UAV). with images processing on captured images from the camera, the system has used can identify the vehicle using aerial images and follow it if it is necessary. An important issue to this matt تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  192 - Proposing a New Method to Optimize the Routing in the Distribution of Vendors' Goods Using the Internet of Things (IoT)
  Mohammad Sadegh Jahan
  Distribution systems are a chain of businesses or intermediaries through which a product or commodity delivers to the customer. One of the most important concerns of customers and manufacturers is the improper distribution of the product to the right place and target cu أکثر

  Distribution systems are a chain of businesses or intermediaries through which a product or commodity delivers to the customer. One of the most important concerns of customers and manufacturers is the improper distribution of the product to the right place and target customers, and it can be boldly said that the cost of each product for the customer largely depends on the costs of distribution of the product. On the other hand, the increase in transfers and movements of goods and the demand for speeding up these transfers, along with the reduction of costs related to these transfers, has caused many complexities and problems in this regard in the transportation network. Among the most important problems at present are the increase in traffic volume on various routes, increasing fuel consumption, wasting long time on high-traffic routes, increasing air pollution, and so on. In this study, a new stochastic algorithm to optimally select the route to prevent increased costs and reduce time and air pollution caused by traffic on busy routes while transporting goods. And we offer products from the place of production / factories to places of distribution. In this algorithm, IoT will be used to select the optimal path. By implementing the proposed algorithm, it can be concluded that the attention of the product production team to strategic issues can be increased in the long run. The number of customers and increasing the share of the company's products in the market will play an effective role. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  193 - مقایسه و پیش بینی داده های آزمایشگاهی راندمان حرارتی مبدل دو لوله ای با نانو سیال اکسید آهن توسط شبکه های عصبی مصنوعی
  محمد اختری مجتبی میرزایی داریوش خسروی مهد
  در این بررسی راندمان حرارتی مبدل دو لوله ای با نانو سیال آب – Fe3O4 در اعداد رینولدز21000-2000 و کسر های حجمی بین(0.1-0.4% v/v) توسط شبکه عصبی مصنوعی ( ANN ) و همبستگی با استفاده از داده های آزمایشگاهی ارزیابی و پیش بینی شده است . سایز نانوذره اکسید آهن در حدود 20 أکثر

  در این بررسی راندمان حرارتی مبدل دو لوله ای با نانو سیال آب – Fe3O4 در اعداد رینولدز21000-2000 و کسر های حجمی بین(0.1-0.4% v/v) توسط شبکه عصبی مصنوعی ( ANN ) و همبستگی با استفاده از داده های آزمایشگاهی ارزیابی و پیش بینی شده است . سایز نانوذره اکسید آهن در حدود 20 نانومتر می باشد . عکس برداری SEM از نانو ذرات نیز برای روشن شدن پایداری و همگن بودن سوسپانسیون ارائه شده است . عدد رینولدزو کسرهای حجمی متفاوت نانو سیال اکسید آهن به عنوان داده های آزمایشی برای ANN استفاده شده است . از شبکه عصبی پیش رو با دو لایه و الگوریتم آموزشی پسا انتشار خطا – لونبرگ مارکوارت (BP-LM) برای پیش پارامترهای انتقال حرارت استفاده شد. 70درصد دادها در مجموعه آموزشی و15درصد دادها در مجموعه ارزیابی و مابقی به عنوان داده ای تست در راستای جلوگیری از بیش برازش شبکه و بررسی کارایی نهایی شبکه مورد استفاده قرار گرفت . به علاوه ، بر اساس داده های آزمایشگاهی و استفاده از شبکه عصبی مصنوعی ، داده های پیش بینی شده توسط شبکه های عصبی با نتایج آزمایشگاهی که توسط مبدل حرارتی دو لوله ای اندازه گیری شده همخوانی بسیار خوبی دارد. میزان صحت سنجی کلی توسط مقدار مربع خطا(MSE) و ضریب همبستگی(R2) برای راندمان مبدل حرارتی دو لوله ای به ترتیب 0001/0 و996/0 می باشد که نشان از موفق بودن این پیش بینی می باشد. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  194 - مطالعه مدول یانگ، چقرمگی و انرژی شکست کامپوزیت های تقویت شده با نانوذرات اکسید روی به روش های درخت تصمیم، شبکه عصبی مصنوعی و سطح پاسخ
  عبدالرضا علوی قره باغ علی دادرسی ساسان فولادپنجه
  در این مقاله، چقرمگی شکست(KIC)، انرژی شکست(GIC) و مدول یانگ(E) کامپوزیت‌های استایرن آکریلونیتریل با محتوای 24 و 34 درصد آکریلونیتریل که با نانوذرات اکسید روی تا سقف 1 درصد حجمی تقویت شده، مورد بررسی قرار گرفته است. پارامتر درصد حجمی به عنوان پارامتر موثر بر خواص مذکور ل أکثر

  در این مقاله، چقرمگی شکست(KIC)، انرژی شکست(GIC) و مدول یانگ(E) کامپوزیت‌های استایرن آکریلونیتریل با محتوای 24 و 34 درصد آکریلونیتریل که با نانوذرات اکسید روی تا سقف 1 درصد حجمی تقویت شده، مورد بررسی قرار گرفته است. پارامتر درصد حجمی به عنوان پارامتر موثر بر خواص مذکور لحاظ گردیده است. همچنین این پارامتر به عنوان پارامتر ورودی جهت مدلسازی نتایج به روش‌های درخت تصمیم، شبکه عصبی مصنوعی و سطح پاسخ در نظر گرفته شده است. نتایج تجربی نشان می‌دهد که افزودن نانوذرات اکسید روی در برخی موارد باعث افزایش و در برخی دیگر باعث کاهش خواص مکانیکی می‌شود. همچنین مقایسه نتایج آزمایشگاهی و مدلسازی نشان می-دهد که روش سطح پاسخ مرتبه دو بهترین پیش بینی را دارد. علاوه بر آن، مقدار بهینه چقرمگی شکست در 34 درصد حجمی آکریلونیتریل و 1/0 درصد حجمی اکسید روی مشاهده شده است که برابر MPa.m1/2283/2 است. بهترین مقدار انرژی شکست نیز در 34 درصد حجمی آکریلونیتریل و 33/0درصد وزنی اکسید روی بدست آمد که معادل J/m21101 می‌باشد. همچنین مقدار بهینه مدول یانگ در 31 درصد حجمی آکریلونیتریل و 5/0 درصد حجمی اکسید روی بدست آمده که برابر GPa 281/4 است. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  195 - ارائه مدل فازی- عصبی- تطبیقی جهت عیب یابی نابالانسی یک سیستم دوار با استفاده از سنسور پیزوالکتریک
  مجتبی حسنلو
  امروزه برای مدلسازی بهتر سیستم های مهندسی از روش های ترکیب شده به منظور دست یابی به دقت بیشتر استفاده های فراوانی می شود. به همین منظور ترکیب سه رویکرد فازی، شبکه عصبی مصنوعی و علم تطبیقی می تواند مدلسازی واقعی تری از سیستم را ارائه نماید.این سه روش هر یک بخشی از مدل مس أکثر

  امروزه برای مدلسازی بهتر سیستم های مهندسی از روش های ترکیب شده به منظور دست یابی به دقت بیشتر استفاده های فراوانی می شود. به همین منظور ترکیب سه رویکرد فازی، شبکه عصبی مصنوعی و علم تطبیقی می تواند مدلسازی واقعی تری از سیستم را ارائه نماید.این سه روش هر یک بخشی از مدل مساله را طراحی و تحلیل می نمایند بطوریکه که مدل ارائه شده از ترکیب فازی- عصبی- تطبیقی می تواند یک مدل مقاوم و اطمینان بخشی را جهت تصمیم گیری توسط طراح را تحلیل نماید. در این مقاله هدف اصلی عیب یابی و پایش تجربی یک سیستم موتور هواپیما در حضور و غیاب نابالانسی را با استفاده از مدل ریاضی فازی- عصبی- تطبیقی تحلیل و تفسیر نماید. ابتدا با استفاده از نرم افزار LabVIEW و سنسورهای پیزوالکتریک داده های ارتعاش عرضی در محل قرارگیری سنسورهای پیزوالکتریک (نصب شده بر روی یاتاقان ها) ذخیره شده و سپس با استفاده از نرم افزار MATLAB به مدل سازی داده های تجربی با استفاده از رویکرد ترکیبی فازی- عصبی – تطبیقی به منظور برازش منحنی پرداخته شده است. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  196 - تشخیص عیوب ماشینهای دوار با آنالیز ارتعاشات و استفاده از شبکه ‏عصبی
  سید مجید عطایی اردستانی
  مبنای تشخیص معایب احتمالی یک ماشین، مقایسه طیف‌های فرکانسی ارتعاشات نقاط مختلف آن با طیف‌های مرجع موجود است. استفاده از این روش عیب‌یابی مقرون به صرفه است چرا که بدون نیاز به توقف ماشین، می‌توان وضعیت نقاط مختلف آن را تحت بررسی قرار داد و همچنین فقط در مواقع لازم و أکثر

  مبنای تشخیص معایب احتمالی یک ماشین، مقایسه طیف‌های فرکانسی ارتعاشات نقاط مختلف آن با طیف‌های مرجع موجود است. استفاده از این روش عیب‌یابی مقرون به صرفه است چرا که بدون نیاز به توقف ماشین، می‌توان وضعیت نقاط مختلف آن را تحت بررسی قرار داد و همچنین فقط در مواقع لازم و با توجه به میزان پیشرفت عیوب احتمالی، می‌توان اقدام به تعمیر آن نمود. در این تحقیق، از شبکه‌ی عصبی پرسپترون چند لایه ( MLP ) و شبکه عصبی پیشخور ( FNN ) استفاده شده است. همچنین عیوب متداول در ماشین‌آلات دوار بطور جداگانه ایجاد شد و فرکانس ارتعاشی تولیدی توسط دستگاه آنالیزور ADASH 4400‎ اندازه‌گیری گردید. با معرفی چهار ویژگی ارتعاشی شامل ناهمراستایی زاویه‌ای، لقی، خرابی و نابالانسی بیرینگ بعنوان داده‌های ورودی به شبکه‌های عصبی مصنوعی، نتایج با سیگنالهای فرکانسی مرجع مقایسه گردید. ‎ ‎نتایج نشان می‌دهد که شبکه‌های عصبی MLP و FNN به ترتیب تا 73% و 78% توانایی تشخیص عیوب را دارند. بنابراین روش FNN برای پیش‌بینی و شناسایی عمر مفید قطعات دوار پیشنهاد می‌گردد. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  197 - عیب یابی سر سیلندر خودرو با استفاده از امواج مکانیکی و هوش مصنوعی
  مجتبی دوست محمدی مرتضی محمدظاهری احسان جمشیدی
  ایمنی قطعات و ماشین آلات برای کاربران آن ها امری مهم تلقی می شود و عیوب قطعات به عنوان یکی از مهم ترین عوامل تهدید کننده سلامتی قطعات همواره مورد توجه بوده است. در این مقاله روشی نو جهت استفاده از شبکه عصبی مصنوعی بر پایه عیب یابی سرسیلندر خودرو پراید به کمک امواج مکانی أکثر

  ایمنی قطعات و ماشین آلات برای کاربران آن ها امری مهم تلقی می شود و عیوب قطعات به عنوان یکی از مهم ترین عوامل تهدید کننده سلامتی قطعات همواره مورد توجه بوده است. در این مقاله روشی نو جهت استفاده از شبکه عصبی مصنوعی بر پایه عیب یابی سرسیلندر خودرو پراید به کمک امواج مکانیکی ارائه شده است. در ابتدا سرسیلندر خودرو با جزئیات کامل مدلسازی شده است و سپس در نرم افزار اجزاء محدود مدل اجزاء محدود بدست آورده شده است. سپس برای تایید و اعتبار سنجی به مدل اجزاء محدود، قطعه تحت تست مودال قرار گرفته و بعد از تایید مدل شبیه سازی عیب ها بر روی مدل اجزاء محدود انجام شده است. با شبیه سازی اعمال نیرو بر مدل (FEM) سیگنال شتاب – زمان دو مدل سالم و معیوب برای هر عیب محاسبه می شود. و با استفاده از امضای مکانیکی عیوب (اختلاف شتاب بین دو مدل سالم و معیوب) و آموزش آن به یک شبکه عصبی مصنوعی پرسپترون چند لایه (MLP) که اختلاف سیگنال شتاب را به موقیعت عیب ارتباط می دهد. عیب یابی سرسیلندر خودرو (تخمین مکانی عیب) صورت گرفته است. نتایج بدست آمده قابلیت شبکه عصبی طراحی شده در تخمین موقیعت عیب را به خوبی نشان می دهد تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  198 - شناسایی و بررسی روند تغییرات کاربری پوشش گیاهی با استفاده از مدل های شبکه عصبی زمانمند و CA با بهره گیری از تکنیک های GIS و RS (مطالعه موردی: شهرستان مینودشت استان گلستان)
  صادق شکوری سید مسعود موسوی حسنی مهسا پورعطاکش آناهیتا قربانی سمیرا ارنک
  پایش تغییرات کاربری اراضی در بسیاری از فعالیت‌های برنامه‌ریزی و مدیریت شهری دارای اهمیت می‌باشد. بر اثر فعالیت‌های انسانی و پدیده‌های طبیعی چهره‌ی زمین همواره دستخوش تغییر می‌شود. از اینرو برای مدیریت بهینه مناطق طبیعی آگاهی از نسبت تغییرات کاربری اراضی از ضروریات محسوب أکثر

  پایش تغییرات کاربری اراضی در بسیاری از فعالیت‌های برنامه‌ریزی و مدیریت شهری دارای اهمیت می‌باشد. بر اثر فعالیت‌های انسانی و پدیده‌های طبیعی چهره‌ی زمین همواره دستخوش تغییر می‌شود. از اینرو برای مدیریت بهینه مناطق طبیعی آگاهی از نسبت تغییرات کاربری اراضی از ضروریات محسوب می‌شود. هدف از این تحقیق، ارزیابی و آشکارسازی تغییرات کاربری اراضی بالاخص کاربری پوشش‌گیاهی در منطقه اوغان از توابع شهرستان مینودشت استان گلستان در بازه‌‌‌ی زمانی30 ساله با استفاده از تکنیک‌های سنجش از دور و سیستم‌های اطلاعات مکانی و نرم‌‌افزارهای MATLAB، ARCGIS و ENVI می‌باشد. بدین منظور از تصاویر سال‌‌های 1987، 1993، 1998، 2000، 2003، 2008، 2013، 2015و2017 میلادی سنجنده ETM ماهواره لندست استفاده شده است و پس از انجام تصحیحات مورد نیاز در مرحله‌ پیش پردازش، برای پایش تغییرات زمانی کاربری‌ پوشش گیاهی، شاخص‌ پوشش گیاهی(NDVI) در نرم افزار متلب برای هر 9 بازه زمانی محاسبه شدند. سپس با استفاده از تصاویر شاخص‌های محاسبه شده 7 سال اول و مدل شبکه عصبی زمانمند(سری زمانی)، تصاویر سال هشتم و نهم پیش‌بینی و بدست آمد و در ادامه با محاسبه خطای RMSE بین تصاویر خروجی مدل با تصاویر واقعی، مدل مذکور اعتبارسنجی گردید. نتایج نشان‌ می‌دهند که مدل با میانگین RMSE تقریباً 0.13 برای NDVI عملکرد بسیار خوبی داشته است. همچنین از مدل CA جهت پیش‌بینی روند تغییرات پوشش گیاهی استفاده گردید. نتایج نشان می‌دهند که وسعت پوشش گیاهی در دو سال آخر یعنی سال-های پیش‌بینی شده 2015 و 2017 توسط مدل شبکه عصبی روند صعودی داشته و منطقه مورد مطالعه سرسبزتر شده است. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  199 - تعیین مقدار کربن آلی کل با استفاده از تصویر ماهواره ای و مدل شبکه عصبی مصنوعی(منطقه مورد مطالعه: کوه میش شهرستان گچساران)
  کامران مجرد
  مقدار کربن آلی کل موجود در سنگ منشاء منابع هیدروکربن یکی از پارامتر های حائز اهمیت در ارزیابی آن است. بنابراین لازم است تا با روشی خصوصیات سنگ منشاء برآورد گردد. برای برآورد خصوصیات سنگ منشاء روش‌های مختلفی وجود دارد. یکی از ابتدایی‌ترین روش‌ها استفاده از روش سنتی است ک أکثر

  مقدار کربن آلی کل موجود در سنگ منشاء منابع هیدروکربن یکی از پارامتر های حائز اهمیت در ارزیابی آن است. بنابراین لازم است تا با روشی خصوصیات سنگ منشاء برآورد گردد. برای برآورد خصوصیات سنگ منشاء روش‌های مختلفی وجود دارد. یکی از ابتدایی‌ترین روش‌ها استفاده از روش سنتی است که بسیار هزینه‌بر و زمان‌بر می‌باشد، لذا محققان به دنبال روش‌های کاراتر می‌باشند. با توجه به پتانسیل بالای سنجش از دور و محدوده‌های طیفی VIR,VNIR این امکان فراهم تا خصوصیات سنگ منشاء را در سطح وسیع‌تری و با هزینه کمتر برآورد نمود. روش‌های کمی و کیفی مختلفی جهت ایجاد ارتباط بین مقدار غلظت عناصر سنگ منشاء و طیف حاصل از داده‌های سنجش از دور موجود می‌باشد. که در این تحقیق سعی در برآورد مقدار غلظت کربن آلی کل سنگ منشاء با استفاده از تصویرسنجنده OLI لندست 8 و با بهره‌گیری از مدل شبکه عصبی مصنوعیMLP شده است.بدین منظور باند 5 محدوده طیفی(885/0-845/0) با ضریب همبستگی پیرسون 62/0 بهترین ورودی برای شبکه عصبی انتخاب شده است. شبکه عصبی مصنوعی با تعداد 5 نورون در لایه مخفی با 79/0R2= و0081/0 RMSE= برای تهیه نقشه کربن آلی کل انتخاب گردید. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  200 - مطالعات کمی در مدیریت صنعت بانکداری به منظور افزایش رضایتمندی و سودآوری مشتریان (مطالعه موردی: بانک ملت)
  محمد مرادی محمد صادق حری ایرج نوری
  10.30495/qrm.2023.1991352.1032
  مؤسسات اعتباری برای در اختیار قرار دادن انواع تسهیلات اعطایی به مشتریان خود، نیاز به انجام بررسی‌های کاملی به منظور شناخت متقاضیان از ابعاد کیفی و کمّی دارند تا از این راه، ارزیابی کاملی از سنجش توان بازپرداخت و محاسبه احتمال عدم بازپرداخت تسهیلات و خدمات تأمین مالی از أکثر

  مؤسسات اعتباری برای در اختیار قرار دادن انواع تسهیلات اعطایی به مشتریان خود، نیاز به انجام بررسی‌های کاملی به منظور شناخت متقاضیان از ابعاد کیفی و کمّی دارند تا از این راه، ارزیابی کاملی از سنجش توان بازپرداخت و محاسبه احتمال عدم بازپرداخت تسهیلات و خدمات تأمین مالی از سوی آنان به عمل آید، این بررسی‌ها را به طور عام اعتبارسنجی گویند. هدف از انجام این تحقیق رتبه‌بندی گروه‌های مشتریان و تعیین بخش‌های برتر از آنها می‌باشد تا با استفاده از آن شرکت کارگزاری بتواند عملیات تخصیص اعتبار را به نحوی مکانیزه انجام دهد. برای این منظور پس از پیش پردازش اولیه از داده‌ها، آنها به شکل مدل RFM ١ پردازش می‌شوند. سپس با استفاده از شبکه عصبی SOM ٢ به عنوان یکی از الگوریتم‌های خوشه بندی، مشتریان به ١٠ خوشه تبدیل خواهند شد. در ادامه با استفاده از مدل پیشنهادی، خوشه‌ها رتبه‌بندی می‌شوند. خوشه‌های برتر شناسایی و عملیات اعطای تسهیلات برای اعضای این خوشه‌ها انجام می‌شود. در نهایت سه خوشه ٥، ١ و ٧ به عنوان خوشه‌های برتر تعیین شدند که به عنوان مشتریان هدف می‌باشند. ضریب تسهیلات اعطایی به این سه خوشه برتر به ترتیب 271/0، 173/0 و 556/0 می‌باشد. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  201 - Image classification optimization models using the convolutional neural network (CNN) approach and embedded deep learning system
  AKBAR PAYANDAN Seyed Hossein Hosseini Nazhad
  Deep learning has progressed rapidly in recent years and has been applied in many fields, which are the main fields of artificial intelligence. Traditional methods of machine learning most use shallow structures to deal with a limited number of samples and computational أکثر

  Deep learning has progressed rapidly in recent years and has been applied in many fields, which are the main fields of artificial intelligence. Traditional methods of machine learning most use shallow structures to deal with a limited number of samples and computational units. When the target objects have rich meanings, the performance and ability to generalize complex classification problems will be quite inadequate. The convolutional neural network (CNN), which has been developed in recent years, widely used in image processing; because it has high skills in dealing with image classification and image recognition issues and it has led to great care in many machine learning tasks and it has become a powerful and universal model of deep learning. The combination of deep learning and embedded systems has created good technical dimensions. In this paper, several useful models in the field of image classification optimization, based on convolutional neural network and embedded systems, are discussed. Since this paper focuses on usable models on the FPGA board, models known for embedded systems such as MobileNet, ResNet, ResNeXt and ShuffNet have been studied. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  202 - Image classification optimization models using the convolutional neural network ( CNN ) approach and embedded deep learning system
  AKBAR PAYANDAN Seyed Hossein HosseiniNazhad
  Deep learning has progressed rapidly in recent years and has been applied in many fields, which are the main fields of artificial intelligence. Traditional methods of machine learning most use shallow structures to deal with a limited number of samples and computational أکثر

  Deep learning has progressed rapidly in recent years and has been applied in many fields, which are the main fields of artificial intelligence. Traditional methods of machine learning most use shallow structures to deal with a limited number of samples and computational units. When the target objects have rich meanings, the performance and ability to generalize complex classification problems will be quite inadequate. The convolutional neural network (CNN), which has been developed in recent years, widely used in image processing; because it has high skills in dealing with image classification and image recognition issues and it has led to great care in many machine learning tasks and it has become a powerful and universal model of deep learning. The combination of deep learning and embedded systems has created good technical dimensions. In this paper, several useful models in the field of image classification optimization, based on convolutional neural network and embedded systems, are discussed. Since this paper focuses on usable models on the FPGA board, models known for embedded systems such as MobileNet, ResNet, ResNeXt and ShuffNet have been studied. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  203 - Studying of Central Alborz's crustal velocity by using ANN method
  Tohid malekzadeh Dilmaghani
  The coordinates of the stations along with their velocity field and determination of the strain field are the most important parameters in determining the surface deformation of the shell. Preliminary estimation of the Earth's crust velocity field, especially in seismic أکثر

  The coordinates of the stations along with their velocity field and determination of the strain field are the most important parameters in determining the surface deformation of the shell. Preliminary estimation of the Earth's crust velocity field, especially in seismic areas and near faults, can provide valuable information on the geodynamic structure as well as how faults operate. Today, this is done by geodynamic network stations. Lack of sufficient number of stations around active faults and tectonic zones is one of the main problems in estimating velocity and strain in these sensitive areas. This factor can cause many problems in studying the mechanism of active and tectonic faults in the relevant areas.Different solutions can be offered to solve such a problem. Paying attention to the reliability of the solution, its accuracy and efficiency, how to do it and most importantly the discussion of time and cost can be important and fundamental factors in this work. Therefore, the main focus of this project is to provide a method with high reliability in results, low cost and high execution speed. Using different interpolation methods such as multilayer artificial neural network (MLP-ANN) or accurate statistical and mathematical methods such as kriging, collocation and polynomial methods can achieve velocity and strain field, especially in areas Be sensitive and responsive. The purpose of this paper is to use modern and accurate methods to estimate and determine the velocity field and displacement field as well as strain tensor parameters in 3D. Artificial neural network (ANN) method with particle mass optimization training (PSO) algorithm for spatial estimation of crustal velocity changes in Iran has been studied. GPS measurements of Central Alborz network stations have been used to evaluate the method. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  204 - Time series modeling of Alborzs crustal velocity by using artificial neural networks
  Tohid malekzadeh Dilmaghani
  Artifitial neural network (ANN) is an information processing system that is formed by a large number of simple processing elements, known as artificial nerves. It is formed by a number of nodes and weights connecting the nodes. Using the trained data, the designed ANN c أکثر

  Artifitial neural network (ANN) is an information processing system that is formed by a large number of simple processing elements, known as artificial nerves. It is formed by a number of nodes and weights connecting the nodes. Using the trained data, the designed ANN can be adjusted in an iterative procedure to determine optimal parameters of ANN. Then for an unknown input, we can compute corresponding output using the trained ANN. There are many methods for training the network and modifications of the weights. One of the most famous and simplest methods is a back-propagation algorithm that trains the network in two stages: Feed-forward and feed-backward. In the feed-forward process, the input parameters are moved to the output layer. In this stage, the output parameters the next stage is done In this study, a 3-layer perceptron neural network was used with 28 neurons in a hidden layer for modeling the eastern component (VE) and 27 neurons in a hidden layer for modeling the northern component (VN) velocity field of the earth's crust in Iran. The minimum relative error obtained from this evaluation for the eastern component was -3.57% and for the northern component was +0.16%: also the maximum relative error for the eastern component was +38.1 % and for the northern component was +95.3%. In this study, a polynomial of degree 5 with 18 coefficients was used to model the east and north components for the evaluation of artificial neural networks in estimating the velocity rate of geodetic points. A comparison of the relative error from the polynomial model and the relative error from the neural network illustrated the superiority of the neural model with respect to the polynomial model in this region. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  205 - Design of MobileNet algorithm to optimize image classification in Convolutional Neural Network (CNN) and implementation on FPGA
  AKBAR PAYANDAN S. Hossein Hosseini Nejad
  Deep learning has developed rapidly in recent years and has been applied in many areas that are major areas of artificial intelligence. The combination of deep learning and embedded systems has created good dimensions in the technical field. In this paper, a deep learni أکثر

  Deep learning has developed rapidly in recent years and has been applied in many areas that are major areas of artificial intelligence. The combination of deep learning and embedded systems has created good dimensions in the technical field. In this paper, a deep learning neural network algorithm can be designed that can be implemented on FPGA hardware. The PyTorch and CUDA were used as assistant methods. Convolution neural network (CNN) was also used for image classification. Three good CNN models such as ResNet, ResNeXt and MobileNet were reviewed in this article. Using these models in the design, an algorithm was eventually designed with the MobileNet model. Models were selected from different aspects such as floating operation point (FLOP), number of parameters and classification accuracy. In fact, the MobileNet-based algorithm was selected with a top-1 error of 5.5% in software with a 6-class data set. In addition, hardware simulation in MobileNet-based algorithms was presented. The parameters were converted from floating numbers to 8-bit integers. The output numbers of each layer were cut into integer fixed bits to fit the hardware constraint. A method based on working with numbers was designed to simulate number changes in hardware. The results of simulation show that, the top-1 error increased to 12.3%, which is acceptable. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  206 - Design of MobileNet algorithm to optimize image classification in Convolutional Neural Network ( CNN ) and implementation on FPGA
  AKBAR PAYANDAN Seyed Hossein HosseiniNazhad
  Deep learning has developed rapidly in recent years and has been applied in many areas that are major areas of artificial intelligence. The combination of deep learning and embedded systems has created good dimensions in the technical field. In this paper, a deep learni أکثر

  Deep learning has developed rapidly in recent years and has been applied in many areas that are major areas of artificial intelligence. The combination of deep learning and embedded systems has created good dimensions in the technical field. In this paper, a deep learning neural network algorithm can be designed that can be implemented on FPGA hardware. The PyTorch and CUDA were used as assistant methods. Convolution neural network (CNN) was also used for image classification. Three good CNN models such as ResNet, ResNeXt and MobileNet were reviewed in this article. Using these models in the design, an algorithm was eventually designed with the MobileNet model. Models were selected from different aspects such as floating operation point (FLOP), number of parameters and classification accuracy. In fact, the MobileNet-based algorithm was selected with a top-1 error of 5.5% in software with a 6-class data set. In addition, hardware simulation in MobileNet-based algorithms was presented. The parameters were converted from floating numbers to 8-bit integers. The output numbers of each layer were cut into integer fixed bits to fit the hardware constraint. A method based on working with numbers was designed to simulate number changes in hardware. The results of simulation show that, the top-1 error increased to 12.3%, which is acceptable. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  207 - Landslide susceptibility modelling using integrated application of computational intelligence in Ahar County, Iran
  Solmaz Abdollahizad Mohammad Ali Balafar Bakhtiar Feizizadeh Amin Babazadeh Sangar Karim Samadzamini
  Landslide susceptibility analysis is beneficial information for a wide range of applications. We aimed to explore and compare three machine learning (ML) techniques, namely the random forests (RF), support vector machine (SVM) and multiple layer neural networks (MLP) fo أکثر

  Landslide susceptibility analysis is beneficial information for a wide range of applications. We aimed to explore and compare three machine learning (ML) techniques, namely the random forests (RF), support vector machine (SVM) and multiple layer neural networks (MLP) for landslide susceptibility assessment in the Ahar county of Iran. To achieve this goal, 10 landslide occurrence-related influencing factors were pondered. A sum of 266 locations with landslide potentiality was recognized in the context of the study, and the Pearson correlation technique utilized in order to select the influencing factors in landslide models. The association between landslides and conditioning factors was also evaluated using a probability certainty factor (PCF) model. Three landslide models (SVM, RF, and MLP) were structured by the training dataset. Lastly, the receiver operating characteristic (ROC) and statistical procedures were employed to validate and contrast the predictive capability of the obtained three models. The findings of the study in terms of the Pearson correlation technique method for the importance ranking of conditioning factors in the context area uncovered that slope, aspect, normalized difference vegetation index (NDVI), and elevation have the highest impact on the occurrence of the landslide. All in all, the MLP model had the utmost rate of prediction capability (85.22 %), after which, the SVM model (78.26 %) and the RF model (75.22 %) demonstrated the second and third rates. Besides, the study revealed that benefiting the optimal machine with the proper selection of the techniques could facilitate landslide susceptibility modeling. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  208 - Modeling of time series of Earth crust velocity field in Azarbaijan using multilayer neural network with PSO training algorithm
  Tohid malekzadeh Dilmaghani
  The coordinates of the stations along with their velocity field and determination of the strain field are the most important parameters in determining the surface deformation of the shell. Preliminary estimation of the Earth's crust velocity field, especially in seismic أکثر

  The coordinates of the stations along with their velocity field and determination of the strain field are the most important parameters in determining the surface deformation of the shell. Preliminary estimation of the Earth's crust velocity field, especially in seismic areas and near faults, can provide valuable information on the geodynamic structure as well as how faults operate. Different solutions can be offered to solve such a problem. Paying attention to the reliability of the solution, its accuracy and efficiency, how to do it and most importantly the discussion of time and cost can be important and fundamental factors in this work. The purpose of this paper is to use modern and accurate methods to estimate and determine the velocity field and displacement field as well as strain tensor parameters in 3D. Artificial neural network (ANN) method with particle mass optimization training (PSO) algorithm for spatial estimation of crustal velocity changes in Iran has been studied. GPS measurements of Central Alborz network stations have been used to evaluate the method.The average relative error calculated in 4 test stations for the permanent base network in the VE component of the velocity field is 13%, in the VN component of the velocity field is 10/10% and in the Vz component of the velocity field is 15.18% of the artificial neural networks. For Central Alborz network, these values have been set as 18.41, 5.45 and 21.20% for VE, VN and Vz components, respectively. The results of this study show the high capability and efficiency of artificial neural network method in spatial estimation of the Earth's crust velocity field in this region. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  209 - Diagnosis of Covid-19 using optimized convolutional neural network
  mohammad fatehi mehdi taghizadeh mohammad moradi gholamhosein shojaat
  According to the report of the World Health Organization, corona disease is the most dangerous and contagious disease in the world. Currently, the most common method used to diagnose corona disease is the polymer chain reaction laboratory technique of reverse transcript أکثر

  According to the report of the World Health Organization, corona disease is the most dangerous and contagious disease in the world. Currently, the most common method used to diagnose corona disease is the polymer chain reaction laboratory technique of reverse transcription, but since this method requires time to confirm the presence of the virus in the laboratory and also due to the unavailability of diagnostic kits and its high costs, Suspected corona virus patients cannot be identified and treated in time; This, in turn, can increase the likelihood of spreading the disease.Another diagnostic method is the use of X-ray chest imaging technique as well as chest computed tomography scan. Also, the use of deep learning methods can be very important for faster and more accurate diagnosis of the lung problems of the corona virus.In this study, using optimized deep convolutional networks based on X-ray images, patients with corona virus were diagnosed.In this article, using the optimized convolutional neural network of healthy people and those with corona, with 10-Fold cross-validation, average accuracy of 98.9% and average sensitivity of 96.5% were obtained.According to the obtained results, it can be said that the proposed method has the ability to separate healthy and unhealthy signals with acceptable accuracy. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  210 - . Detection of healthy and unhealthy ECG signal using optimized convolutional neural network
  mohammad fatehi mehdi khajooee nahid adlband mohammad moradi
  According to the information of the World Health Organization, today heart diseases are considered the most important threat to humans and are the first cause of death in the world. According to the latest global statistics, 46% of deaths are related to the heart. Accor أکثر

  According to the information of the World Health Organization, today heart diseases are considered the most important threat to humans and are the first cause of death in the world. According to the latest global statistics, 46% of deaths are related to the heart. According to reports and research, a large number of causes of death are caused by heart diseases, while 25% of cases are reversible. Correct and timely diagnosis of patients with acute heart problems can largely prevent sudden death and further problems.Due to the fact that recording an electrocardiogram is inexpensive and fruitful, the use of an electrocardiogram can help a lot in many heart diseases and other diseases.Deep learning is one of the new methods with high accuracy in diagnosis and classification, which is based on the convolutional neural network.Convolutional neural networks have a very high processing and training time, which can be optimized and reduced in order to reduce the time, so that acceptable results can be obtained with high accuracy.In this article, using the optimized convolutional neural network, the healthy and unhealthy signal was obtained with 99.9% accuracy and 99.7% sensitivity with 10-fold cross-validation.According to the obtained results, it can be said that the proposed method has the ability to separate healthy and unhealthy signals with acceptable accuracy. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  211 - Diagnosing diabetic retinopathy using retinal blood vessel examination based on convolution neural network
  mohammad fatehi mehdi taghizadeh mohammad moradi pedram ravanbakhsh
  Retinal blood vessels include arteries and veins and are usually next to each other. Blood vessels are used to classify the severity of the disease and are also used for guidance during surgery, as retinopathy is one of the dangerous diseases.Diabetic retinopathy can ca أکثر

  Retinal blood vessels include arteries and veins and are usually next to each other. Blood vessels are used to classify the severity of the disease and are also used for guidance during surgery, as retinopathy is one of the dangerous diseases.Diabetic retinopathy can cause the formation of new vessels (neoangiogenesis). This condition causes low vision and even blindness. Therefore, a reliable method for diagnosing and classifying the vessel is needed in order to avoid these complications. Retinopathy is one of the hidden diseases that is usually not known. prevent the next possibility.There are several methods for diagnosis, the most common of which is the use of traditional methods based on manual feature extraction, which requires a lot of feature geometry and expertise, and is usually dependent on data.From this method, neural convolution is a reliable, efficient and reliable method for extracting features without manual intervention, which requires a lot of expertise, which also reduces the dependence on data.In this article, using convolutional neural network, diabetic retinopathy has been diagnosed with accuracy and sensitivity of 98.8% and 97.5%, respectively.The obtained results indicate that the proposed method is suitable for locating blood vessels automatically. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  212 - Designing Path for Robot Arm Extensions Series with the Aim of Avoiding Obstruction with Recurring Neural Network
  ramin khodaie محمد اسمعیل اکبری
  In this paper, recurrent neural network is used for path planning in the joint space of the robot with obstacle in the workspace of the robot. To design the neural network, first a performance index has been defined as sum of square of error tracking of final executor. أکثر

  In this paper, recurrent neural network is used for path planning in the joint space of the robot with obstacle in the workspace of the robot. To design the neural network, first a performance index has been defined as sum of square of error tracking of final executor. Then, obstacle avoidance scheme is presented based on its space coordinate and its minimum distance between the obstacle and each of robot links and proper inequality equations have been derived which describe the qualification of obstacle avoidance. Moreover, nonlinear optimization problem with nonlinear constraint functions has been derived by considering the joint physical limits. In order to design the neural network, equivalent problem of projection theorem has been converted to quadratic programming by using Kuhn-Tucker 1optimality conditions. Based on the projection theorem, model of recurrent neural network has been determined which is as a first order differential equation. Simulation results show the good performance of the proposed method by applying the proposed algorithm on the seven-degree freedom PA-10 robot. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  213 - Face Detection with methods based on color by using Artificial Neural Network
  Reza Abbasgolizadeh Habib Izadkhah Ramin Meshkabadi
  The face Detection methodsis used in order to provide security. The mentioned methods problems are that it cannot be categorized because of the great differences and varieties in the face of individuals. In this paper, face Detection methods has been presented for overc أکثر

  The face Detection methodsis used in order to provide security. The mentioned methods problems are that it cannot be categorized because of the great differences and varieties in the face of individuals. In this paper, face Detection methods has been presented for overcoming upon these problems based on skin color datum. The researcher gathered a face database of 30 individuals consisting of over 450 facial images to test fully automated face detection without verification, fully automated face detection with verification, manual face detection and automated face recognition, fully automated face detection and recognition and pose invariant face recognition. Successful results were obtained for automated face detection and for automated face recognition under robust conditions. In presented method, Scratch using Gaussian filter and morphology processing of the face areawould be selected and more complex neural network has been trained with over 200 images and totally, Three different sets of various images have been studied in terms of appearance number and lighting and quality. The experimental results showed the reliability of this method. In fact, by offering face recognition algorithm with color by artificial neural network is able to identify different types of faces. The accurateness of the proposed method would be more than 95 percent. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  214 - Geoid Determination Based on Log Sigmoid Function of Artificial Neural Networks: (A case Study: Iran)
  Omid Memarian Sorkhabi
  A Back Propagation Artificial Neural Network (BPANN) is a well-known learning algorithmpredicated on a gradient descent method that minimizes the square error involving the networkoutput and the goal of output values. In this study, 261 GPS/Leveling and 8869 gravity int أکثر

  A Back Propagation Artificial Neural Network (BPANN) is a well-known learning algorithmpredicated on a gradient descent method that minimizes the square error involving the networkoutput and the goal of output values. In this study, 261 GPS/Leveling and 8869 gravity intensityvalues of Iran were selected, then the geoid with three methods “ellipsoidal stokes integral”,“BPANN”, and “collocation” were evaluated. Finally obtained results were compared and bestthe method was introduced. In Iran, the consequences showed that “BPANN” has been superiorthan other methods. Root Mean Square Error of this algorithm was less than ±0.292 m.Therefore, we concluded that BPANN can be used for geoid determination as an excellentalternative to the classic methods. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  215 - Using Neural Network to Control STATCOM for ImprovingTransient Stability
  Mozhgan Balavar
  FACTS technology has considerable applications in power systems, such as; improving the steady stateperformance, damping the power system oscillations, controlling the power flow, and etc. STATCOM is oneof the most important FACTS devices used in the parallel compensati أکثر

  FACTS technology has considerable applications in power systems, such as; improving the steady stateperformance, damping the power system oscillations, controlling the power flow, and etc. STATCOM is oneof the most important FACTS devices used in the parallel compensation, enhancing transient stability andetc. Since three phase fault is widespread in power systems, in this paper STATCOM is used to improve thetransient stability of power system when three phase fault occurred. Neural Network has been used foradjusting the gain of the supplementary controller of STATCOM. The simulation performed in MATLAB /Simulink software. Simulation results showed when STATCOM combines with proposed Neural Networkbased supplementary controller; the transient stability of power system improves. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  216 - Neural Networks in Electric Load Forecasting:A Comprehensive Survey
  Vahid Mansouri Mohammad Esmaeil akbari
  Review and classification of electric load forecasting (LF) techniques based on artificial neuralnetworks (ANN) is presented. A basic ANNs architectures used in LF reviewed. A wide range of ANNoriented applications for forecasting are given in the literature. These are أکثر

  Review and classification of electric load forecasting (LF) techniques based on artificial neuralnetworks (ANN) is presented. A basic ANNs architectures used in LF reviewed. A wide range of ANNoriented applications for forecasting are given in the literature. These are classified into five groups:(1) ANNs in short-term LF, (2) ANNs in mid-term LF, (3) ANNs in long-term LF, (4) Hybrid ANNs inLF, (5) ANNs in Special applications of LF. The major research articles for each category are brieflydescribed and the related literature reviewed. Conclusions are made on future research directions. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  217 - Classification of Brain Tumor Grades by MRI Images using Artificial Neural Network
  Melika Aboutalebi Rezvan Abbasi
  In recent years, the use of MRI images has been very much considered due to their high clarity and high quality in the diagnosis and determination of brain tumor and its features. In this study, to improve the performance of tumor detection, we investigated comparative أکثر

  In recent years, the use of MRI images has been very much considered due to their high clarity and high quality in the diagnosis and determination of brain tumor and its features. In this study, to improve the performance of tumor detection, we investigated comparative approach of the different classifiers to select the most appropriate classifier for identifying and extracting abnormal tissue and selected the best one by comparing their detection accuracies rate. In this research, GLCM and GLRM methods are used to extracting discriminating features. Thus results in they reduce the computational complexity. fuzzy entropy measurement method is used to determine the optimal properties and finally, we compared the four FFNN, MLP, BPNN, ANFIS neural networks to perform the decision making and classification process. The purpose of these four neural networks are to develop tools for discriminating the malignant tumors from benign ones assisting deciding in clinical diagnosis. Based on the results, we achieved high results among all classifiers. The proposed methodology results in accurate and speedy detection of tumor in brain along with identification of precise location of the tumor. In our opinion, the use of these classifiers can be very useful in the diagnosis of brain tumors in MRI images. Our other goal is to prove the suitability of the ANN method as a valuable method for statistical methods. The novelty of the paper lies in the implementation of the proposed method for discriminating the malignant tumors from benign which results in accurate and speedy detection of tumor in brain along with identification of precise location of the tumor. The efficiency of the method is proved through plenty of simulations and comparisons. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  218 - Soft Error Rate Estimation of Logic Circuits Using Recurrent Neural Networks
  Rasoul Farjaminezhad saeed safari Amir Masoud Eftekhari Moghadam
  Nano-scale technology has brought more susceptibility to soft errors for the generation of complicated and state of the art devices. Soft errors are the impacts of radiation of the particles like a neutron, alpha, and ions on the surface of the circuits. To tackle the s أکثر

  Nano-scale technology has brought more susceptibility to soft errors for the generation of complicated and state of the art devices. Soft errors are the impacts of radiation of the particles like a neutron, alpha, and ions on the surface of the circuits. To tackle the system malfunctions and provide a reliable device, studying the transient fault effects on the logic circuits can be a more significant issue. This paper presents a new approach based on Recurrent Neural Networks (RNNs) to estimate ICs' Soft Errors Rate (SER). As RNN can be deployed for signal processing and time series, we applied it to investigate transient fault effects while propagating through the combinational and sequential parts of a test chip and compute its SER by simulating and analyzing the circuit outputs. In this paper, the results of utilizing the proposed RNN model to estimate the SER of the ISCAS-85 benchmark circuits have been provided. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  219 - Diagnosis of anomalies in Thyroid Gland Images Based on Feature Extraction from Capsule Network Architecture.
  Mahin Tasnimi Hamid Reza Ghaffari
  10.22094/jcr.2021.687484
  Diagnosing benign and malignant glands in thyroid ultrasound images is considered as a challenging issue. Recently, deep learning techniques have significantly resulted in extracting features from medical images and classifying them. Convolutional networks ignore the hi أکثر

  Diagnosing benign and malignant glands in thyroid ultrasound images is considered as a challenging issue. Recently, deep learning techniques have significantly resulted in extracting features from medical images and classifying them. Convolutional networks ignore the hierarchical structure of entities within images and do not pay attention to spatial information as well as the need for a large number of training samples. Capsule networks consist of different hierarchical capsules equivalent to the same layers in the CNN neural network. This study tried to extract textural features using a deep learning model based on a capsule network. Thyroid ultrasound images were given to the capsule network as input data, and finally the features learned in the capsule network were used to teach the Support Vector Machine classifier, in order to diagnose thyroid cancer. Experimental results showed that the proposed method with 98% accuracy has achieved better results compared to convolutional networks. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  220 - شناسایی ابعاد و مؤلفه‌های اجرای خط‌مشی‌های توسعه فناوری اطلاعات و ارتباطات
  نازیلا محمدی غلامرضا معمارزاده طهران صدیقه طوطیان اصفهانی
  هدف این پژوهش، شناسایی ابعاد و مؤلفه‌های اجرای خط‌مشی‌های فناوری اطلاعات و ارتباطات با تمرکز بر برنامه ششم توسعه و ارائه مدل عوامل مؤثر بر اجرا به کمک مدل‌سازی شبکه عصبی و بر اساس تئوری ساخت یابی گیدنز می‌باشد. این تحقیق از منظر انجام آن پیمایشی و بر مبنای هدف، از نوع ک أکثر

  هدف این پژوهش، شناسایی ابعاد و مؤلفه‌های اجرای خط‌مشی‌های فناوری اطلاعات و ارتباطات با تمرکز بر برنامه ششم توسعه و ارائه مدل عوامل مؤثر بر اجرا به کمک مدل‌سازی شبکه عصبی و بر اساس تئوری ساخت یابی گیدنز می‌باشد. این تحقیق از منظر انجام آن پیمایشی و بر مبنای هدف، از نوع کاربردی است. گردآوری داده‌ها، بر اساس روش کتابخانه‌ای و میدانی با ابزار پرسشنامه محقق ساخته صورت گرفته است. برای استخراج عوامل مؤثر پنل خبرگی شامل صاحب‌نظران حوزه ارتباطات تشکیل شده است و جامعه آماری تحقیق در بخش آزمون مدل، کارشناسان فناوری اطلاعات و ارتباطات شرکت مخابرات ایران (810 نفر) می‌باشند که 260 نفر بر اساس فرمول کوکران به صورت تصادفی به عنوان نمونه انتخاب شدند. برای تحلیل داده‌ها از نرم‌افزار متلب استفاده شد. طبق یافته‌ها بهترین ترکیب برای توسعه زمانی است که تمام متغیرهای ورودی هم‌زمان در نظر گرفته شوند و بدترین حالت زمانی است که متغیر توسعه زیرساخت نادیده گرفته شود و همچنین بیشترین اهمیت بر اساس تحلیل حساسیت شبکه، مربوط به توسعه زیرساخت و کمترین مربوط به تأمین محتوا می‌باشد. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  221 - ارائه مدلی برای پیش بینی موفقیت طرح های سرمایه گذاری مناطق آزاد و ویژه اقتصادی با استفاده از تکنیک شبکه عصبی چندلایه پرسپترون
  مرتضی شکرزاده کمال الدین رحمانی فرزین مدرس خیابانی مجید باقرزاده خواجه
  هدف اصلی از این پژوهش این است که مدلی را برای پیش بینی موفقیت طرح های سرمایه گذاری مناطق آزاد و ویژه اقتصادی ارائه دهیم. برای تجزیه و تحلیل داده های این تحقیق از روش آمار توصیفی و امار استنباطی و از نرم افزارهایexpert choice، MATLAB و SPSS و PLS استفاده شده است و با است أکثر

  هدف اصلی از این پژوهش این است که مدلی را برای پیش بینی موفقیت طرح های سرمایه گذاری مناطق آزاد و ویژه اقتصادی ارائه دهیم. برای تجزیه و تحلیل داده های این تحقیق از روش آمار توصیفی و امار استنباطی و از نرم افزارهایexpert choice، MATLAB و SPSS و PLS استفاده شده است و با استفاده از مبانی نظری و بصورت کتابخانه ای شش عامل موثر و متغیرهای پیش بینی کننده موفقیت یا شکست طرح های سرمایه گذاری در مناطق آزاد و ویژه اقتصادی کشور شناسایی و بعد از توصیف متغیرها و آزمون نرمال بودن، با استفاده از نرم افزار PLS تحلیل عاملی تاییدی متغیرها صورت گرفت که همگی عوامل از تحلیل عاملی تاییدی مناسبی برخوردار هستند. سپس با استفاده از رگرسیون خطی و آزمون آنالیز واریانس تاثیر هر یک از عوامل بر موفقیت یا شکست طرح های سرمایه گذاری بررسی گردید که نتایج این آزمون نشان دهنده تایید تاثیر هر یک از عوامل بوده است و با استفاده از تحلیل سلسله این عوامل رتبه بندی شدند، که با توجه به این اولویت بندی، شبکه عصبی مورد استفاده شده در این تحقیق نیز، شامل داده های 6متغیر به عنوان متغیر ورودی می باشد، با دو لایه میانی با تعداد 30 گره در لایه اولو سه گره در لایه دوم می باشد. که دارای یه خروجی است.که نتایج نشان دهنده این بود که مدل شبکه عصبی طراحی شده قدرت پیش بینی موفقیت طرح های سرمایه گذاری را دارد. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  222 - بهینه سازی شبکه عصبی ELM در مسئله پیش‌بینی
  جلال رضایی نور منصوره یاری ایلی اسماعیل هداوندی محمدحسین روزیهانی
  برای محیط همیشه در حال تغییر این دوران و تغییر در شیوه تعاملات شرکت ها با تامین کنندگان و مشتریان و پیچیدگی بازارها، کاهش دوره عمر محصولات و اهمیت یافتن زمان پاسخگویی به مشتریان، پیش بینی تقاضای محصول عامل حیاتی برای رقابت پذیری سازمان ها می باشد. با پیش بینی دقیق الگوه أکثر

  برای محیط همیشه در حال تغییر این دوران و تغییر در شیوه تعاملات شرکت ها با تامین کنندگان و مشتریان و پیچیدگی بازارها، کاهش دوره عمر محصولات و اهمیت یافتن زمان پاسخگویی به مشتریان، پیش بینی تقاضای محصول عامل حیاتی برای رقابت پذیری سازمان ها می باشد. با پیش بینی دقیق الگوهای تقاضا، دولت و تولیدکنندگان می توانند براساس میزان و جهت جریان آتی تولید، برنامه ریزی ها را سازماندهی کنند و زیرساخت بهتری در رشد صنعت مهیا سازند. با هدف ارائه یک ابزار دقیق پیش بینی در صنعت فولاد، این مطالعه، به بهینه سازی شبکه عصبی ELM به کمک الگوریتم ژنتیک می پردازد. که در آن پارامترهای شبکه، از قبیل تعداد و توابع فعالسازی نورون ها در لایه مخفی، وزن های اتصالی بین ورودی ها و نورون های لایه مخفی، بایاس نورون های لایه مخفی و (پارامتر تنظیم سازی)، به کمک الگوریتم ژنتیک تعیین می شود. برای پیش بینی تقاضا فولاد خام کشور، داده های مرتبط با تولید و مصرف فولاد خام و محصولات فولادی کشور، بصورت ماهیانه و در بازه زمانی دی ماه 88 تا مرداد ماه 92 (جمعاً 44 نمونه و 22 مشخصه) جمع آوری گردید. داده های دی ماه 88تا بهمن91 در آموزش شبکه و داده های مربوط به اسفند91 تا مرداد 92 در آزمون شبکه استفاده شد. برای نشان دادن کارایی مدل پیش بینی کننده،مقایسه ی عملکرد از لحاظ دقت پیش بینی و سرعت یادگیری بین الگوریتم ELM بهینه شده باالگوریتم ELM و سایر شبکه های عصبی صورت گرفته است. معیارهای پیش بینی نشان دهنده ی عملکرد خوب ELM بهینه شده نسبت به سایر شبکه های عصبی می باشد. براساس آزمون های آماری و خطاهای RMSE و MAPE نتایج نشان می دهد که دقت ELM به مراتب بهتر از سایر روش های شبکه عصبی است. به علاوه، مدل ELM دو بار سریعتر از شبکه های عصبی کلاسیک است. براساس یافته ها می توان به یقین گفت که بین الگوریتم های مورد بررسی، ELM ابزار دقیق تر و قوی تری در مسئله تقاضای فولاداست.اﻟﺒﺘﻪ نوع بهینه یافته شبکه عصبی ELM دقت بهتری در مدل سازی تابع تقاضا داشته است ، وﻟﯽ روش ELM از نظرزمانی بهینه تر بوده است. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  223 - ارزیابی عملکرد سازمان با استفاده از دو رویکرد تلفیقی DEA-BSC و ANN-DEA
  رضا احتشام‏ راثی عیسی ناجی
  با توجه به اهمیت کارایی در پیشبرد جوامع و جایگاهی که سازمان های امروزی به خود اختصاص داده ، استفاده از ارزیابی عملکرد به ضرورتی گریز ناپذیر تبدیل شده است. از این رو در این پژوهش سعی بر آن داریم تا با استفاده از تلفیق دو رویکرد DEA-BSC و ANN-DEA به بررسی کارایی سازمان ها أکثر

  با توجه به اهمیت کارایی در پیشبرد جوامع و جایگاهی که سازمان های امروزی به خود اختصاص داده ، استفاده از ارزیابی عملکرد به ضرورتی گریز ناپذیر تبدیل شده است. از این رو در این پژوهش سعی بر آن داریم تا با استفاده از تلفیق دو رویکرد DEA-BSC و ANN-DEA به بررسی کارایی سازمان ها بپردازیم. در این راستا، ابتدا به تعیین شاخص های عملکرد به کمک تکنیک کارت امتیازی متوازن در چهار بعد مشتری، فرآیندهای داخلی، رشد و یادگیری و مالی پرداخته، سپس با استفاده از روش تحلیل پوششی داده ها و مدل غیر شعاعی SBM و نرم افزار GAMS کارایی سازمان را محاسبه نمودیم. در گام بعد به کمک شاخص های بدست آمده از روش DEA-BSC و با استفاده از رویکرد تلفیق تحلیل پوششی داده ها و شبکه عصبی مصنوعی و با بهره گیری از نرم افزار MATLAB میزان کارایی را مجدداً محاسبه نمودیم. در گام آخر به مقایسه دو روش DEA-BSC و ANN-DEA پرداخته که نتایج بدست آمده از مقایسه دو روش مذکور حاکی از سازگاری دو مدل در بحث کارایی و برتری روش ANN-DEA به لحاظ زمان کوتاه پاسخگویی و تعیین کارایی و امکان استفاده از الگوریتم آموزش دیده آن برای اندازه گیری کارایی واحدهای سازمانی در آینده است. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  224 - Developing a New Decision Support System to Manage Human Reliability based on HEART Method
  Rasoul Jamshidi
  10.22094/joie.2019.553983.1521
  Human performance and reliability monitoring have become the main issue for many industries since human error ratios cannot be mitigated to the zero level and many accidents, malfunctions, and quality defects are happening due to the human in production systems. Since t أکثر

  Human performance and reliability monitoring have become the main issue for many industries since human error ratios cannot be mitigated to the zero level and many accidents, malfunctions, and quality defects are happening due to the human in production systems. Since the human resources implement a different range of tasks, the calculation of human error probability (HEP) is complicated, and several methods have been proposed to identify and quantify the HEP. This fact expresses the necessity of a Decision Support System (DSS) to calculate the HEP and propose optimal scenarios to increase human reliability and decrease its related cost such as quality defect and rework cost. This study develops a DSS that calculates the HEP based work specifications and proposes optimal scenarios to deal with error occurrence probability. The scenarios are provided using an AHP according to experts' opinions about the cost and time of corrective actions. The proposed DSS has been applied to a real case, and the provided results show that the proposed DSS can provide effective scenarios to deal with human error in production systems. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  225 - Using neural network to estimate weibull parameters
  Babak Abbasi behrouz Afshar nadjafi
  As is well known, estimating parameters of the tree-parameter weibull distribution is a complicated task and sometimes contentious area with several methods vying for recognition. Weibull distribution involves in reliability studies frequently and has many applications أکثر

  As is well known, estimating parameters of the tree-parameter weibull distribution is a complicated task and sometimes contentious area with several methods vying for recognition. Weibull distribution involves in reliability studies frequently and has many applications in engineering. However estimating the parameters of Weibull distribution is crucial in classical ways. This distribution has three parameters, but for simplicity, a parameter is ridded off and as a result, the estimation of the others will be easily done. When the three-parameter distribution is of interest, the classical estimation procedures such as maximum likelihood estimation (MLE) will be quite boring. In this paper to take advantage of application of artificial neural networks (ANN) to statistics, we propose using a simple neural network to estimate three parameters of Weibull distribution simultaneously. Trained neural network similar to moment method estimates Weibull parameters based on mean, standard deviation, median, skewness and kurtosis of the sample accurately. To assess the power of the proposed method we carry out simulation study and compare the results of the proposed method with real values of the parameters. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  226 - Estimation of Products Final Price Using Bayesian Analysis GeneralizedPoisson Model and Artificial Neural Networks
  Marjan Niyati Amir Masud Eftekhari Moghadam
  Estimating the final price of products is of great importance. For manufacturing companies proposing a final price is only possible after the design process over. These companies propose an approximate initial price of the required products to the customers for which so أکثر

  Estimating the final price of products is of great importance. For manufacturing companies proposing a final price is only possible after the design process over. These companies propose an approximate initial price of the required products to the customers for which some of time and money is required. Here using the existing data of already designed transformers and utilizing the bayesian analysis of generalize poisson models and artificial neural networks, a shortcut method for estimating the material and final price of transformers is established. The proposed method being quite precise and fast, without any cost. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  227 - Forecasting the Cost of Water Using a Neural Network Method in theMunicipality of Isfahan
  Amir Mohammadzadeh Nasrin Mahdipour Arash Mohammadzadeh
  Decision making on budgeting is one of the most important issues for executing managers. Budgeting is a major tool for planning andcontrol of projects. In public and non-profit organizations and institutions, estimating the costs and revenues plays an important role inr أکثر

  Decision making on budgeting is one of the most important issues for executing managers. Budgeting is a major tool for planning andcontrol of projects. In public and non-profit organizations and institutions, estimating the costs and revenues plays an important role inreceiving credit and budgeting. In this regard, in the present paper the case of Isfahan municipality is considered. One of the mainexpenditures of the 14 districts of Isfahan is the costs related to water. Predicting the total cost of water helps the municipality of Isfahan tooptimize the water use in its 14 urban zones. Thus, in this study the total cost of water in the districts of Isfahan is estimated usingregression analysis and neural network models. Then the results of the methods are compared with each other to minimize the deviationsfrom the approved budget. Finally, the neural network method is selected as the main simulation method for forecasting the total cost ofwater in the districts of Isfahan. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  228 - Time Prediction Using a Neuro-Fuzzy Model for Projects in the Construction Industry
  Behnam Vahdani Seyed Meysam Mousavi Morteza Mousakhani Hassan Hashemi
  10.22094/joie.2016.231
  This paper presents a prediction model based on a new neuro-fuzzy algorithm for estimating time in construction projects. The output of the proposed prediction model, which is employed based on a locally linear neuro-fuzzy (LLNF) model, is useful for assessing a project أکثر

  This paper presents a prediction model based on a new neuro-fuzzy algorithm for estimating time in construction projects. The output of the proposed prediction model, which is employed based on a locally linear neuro-fuzzy (LLNF) model, is useful for assessing a project status at different time horizons. Being trained by a locally linear model tree (LOLIMOT) learning algorithm, the model is intended for use by members of the project team in performing the time control of projects in the construction industry. The present paper addresses the effects of different factors on the project time and schedule by using both fuzzy sets theory (FST) and artificial neural networks (ANNs) in a construction project in Iran. The construction project is investigated to demonstrate the use and capabilities of the proposed model to see how it allows users and experts to actively interact and, consequently, make use of their own experience and knowledge in the estimation process. The proposed model is also compared to the well-known intelligent model (i.e., BPNN) to illustrate its performance in the construction industry. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  229 - Seismic Fragility Analysis of RC Continuous Girder Bridges Using Artificial Neural Network
  Alireza Yazdankhah Araliya Mosleh Fatemeh Pouran Manjily Mehran Seyedrazzaghi
  10.22094/jseg.2022.1943961.1116
  This research aims to develop seismic fragility curves for small- and medium-sized concrete bridges. Fragility curves were generated as a function of the probability of reaching or exceeding a specific limit state in terms of the peak ground acceleration (PGA) and accel أکثر

  This research aims to develop seismic fragility curves for small- and medium-sized concrete bridges. Fragility curves were generated as a function of the probability of reaching or exceeding a specific limit state in terms of the peak ground acceleration (PGA) and acceleration spectral intensity (ASI). To this end, a hybrid dataset of the seismic performances of bridges was prepared by combining the results of numerical analyses and neural predictions. Three-dimensional finite-element models for 1032 bridge-earthquake cases were created, considering the nonlinear behavior of critical bridge components. In addition, multilayer perceptron (MLP) neural networks were employed to simulate artificial earthquake-bridge performance scenarios. The yield stress of reinforcing bars (Fy), the bridge height (H) as well as PGA and ASI, were considered as the input vectors of the artificial neural networks (ANN). The results of this study revealed that MLP neural networks are capable of simulating the seismic performances of bridges appropriately. It was also shown that providing a hybrid dataset of numerical results and neural predictions could lead to the fragility curves of higher correlation coefficients. The results also presented that the PGA-based fragility curves had better correlation coefficients comparing to ASI-based ones. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  230 - Modeling of Accumulated Energy Ratio (AER) for Estimating LiqueFaction Potential Using Artificial Neural Network (ANN) and Gene Expression Programming (GEP) (using data from Tabriz)
  Armin Sahebkaram Alamdari Rouzbeh Dabiri Rasoul Jani Fariba Behrouz Sarand
  10.22094/jseg.2021.688673
  Presenting a model specific to the city of Tabriz to estimate the liquefaction potential due to the region's seismicity and the high groundwater level can be effective in dealing with and predicting solutions to deal with this phenomenon. In recent years, the accumulati أکثر

  Presenting a model specific to the city of Tabriz to estimate the liquefaction potential due to the region's seismicity and the high groundwater level can be effective in dealing with and predicting solutions to deal with this phenomenon. In recent years, the accumulation energy ratio (AER) as a parameter for estimating the liquefaction potential in the energy-based method proposed by Kokusho (2013) has been considered by many researchers. In this research, using perceptron multilayer (MLP) and radial base function (RBF) methods in artificial neural network (ANN) and genetic expression programming (GEP), the accumulation energy ratio using seismic and geotechnical data is modeled for the city of Tabriz. These modeling’s performed by all three methods are well consistent with the outputs. Still, the modeling performed using the Perceptron Multilayer (MLP) method is very compatible with the outputs and can estimate the results with an acceptable percentage. The relationship presented by genetic expression programming (GEP), which is trained with local data, can also yield satisfactory results from estimating the rate of accumulated energy in the study area and provided an independent and accessible relationship trained. With data specific to the study area, there is another advantage. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  231 - Comparison Study on Neural Networks in DamageDetection of Steel Truss Bridge
  Hassan Aghabarati Mohsen Tabrizizadeh
  This paper presents the application of three main Artificial Neural Networks (ANNs) in damage detection of steel bridges. This method has the ability to indicate damage in structural elements due to a localized change of stiffness called damage zone. The changes in stru أکثر

  This paper presents the application of three main Artificial Neural Networks (ANNs) in damage detection of steel bridges. This method has the ability to indicate damage in structural elements due to a localized change of stiffness called damage zone. The changes in structural response is used to identify the states of structural damage. To circumvent the difficulty arising from the non-linear nature of the inverse problem, three neural networks, Multi-Layer Perceptron Neural Network (MLPNN), Radial Basis Function Neural Network (RBFNN) and General Regression Neural Network (GRNN) are employed to simulate damage states of steel bridges. It was observed that the performance of all three networks is well and they have good agreement with actual results performed with Finite Element analysis. The efficiency of GRNN in structural identification is so good, although RBFNN has results close to GRNN and MLPNN results are satisfactory. All networks have good results while there is a little damage in structural members. Generally, results would have more error when damages in structural members extend. The engineering importance of the whole exercise can be appreciated once we realize that the measured input at only a few locations in the structure is needed in the identification process using neural networks. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  232 - Determination of Lateral load Capacity of Steel Shear Walls Based on Artificial Neural Network Models
  Meisam Bayat Ali Delnavaz
  In this paper, load-carrying capacity in steel shear wall (SSW) was estimated using artificial neural networks (ANNs). The SSW parameters including load-carrying capacity (as ANN’s target), plate thickness, thickness of stiffener, diagonal stiffener distance, hori أکثر

  In this paper, load-carrying capacity in steel shear wall (SSW) was estimated using artificial neural networks (ANNs). The SSW parameters including load-carrying capacity (as ANN’s target), plate thickness, thickness of stiffener, diagonal stiffener distance, horizontal stiffener distance and gravity load (as ANN’s inputs) are used in this paper to train the ANNs. 144 samples data of each of this parameters was calculated using SSW simulation in abaqus. Load-carrying capacity of SSW was estimated using radial basic function (RBF) and multi-layer perceptron (MLP) neural networks. Spread parameter in RBF and number of hidden layer, number of neurons in this layers and activation function in MLP optimized using a trial and error method. The results showed that the load-carrying capacity of SSW could estimate using RBF and ANN by 84 and 96 percent of precision respectively. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  233 - ارائه مدل تدریس اثربخش اساتید دانشگاه بر پایه تحلیل شبکه عصبی مصنوعی
  مریم سامری
  تحقیق حاضر با هدف ارائه الگوی تدریس اثربخش اساتید دانشگاه آزاد اسلامی با بهره‌گیری از تحلیل شبکه‌های عصبی مصنوعی انجام گرفت. پژوهش حاضر از حیث هدف کاربردی و از نوع طرح‌های ترکیبی- اکتشافی است. جامعه‌ی آماری تحقیق دانشجویان تحصیلات تکمیلی دانشگاه آزاد اسلامی واحد ارومیه أکثر

  تحقیق حاضر با هدف ارائه الگوی تدریس اثربخش اساتید دانشگاه آزاد اسلامی با بهره‌گیری از تحلیل شبکه‌های عصبی مصنوعی انجام گرفت. پژوهش حاضر از حیث هدف کاربردی و از نوع طرح‌های ترکیبی- اکتشافی است. جامعه‌ی آماری تحقیق دانشجویان تحصیلات تکمیلی دانشگاه آزاد اسلامی واحد ارومیه می‌باشد که در قسمت کیفی تعداد 24 نفر از دانشجویان به روش نمونه‌گیری هدفمند و تا مرحله اشباع نظری یافته‌ها به شیوه گروه‌های کانونی مورد مصاحبه قرار گرفتند. در قسمت کمی نیز با استفاده از فرمول برآورد حجم نمونه کوکران و به صورت ﺗﺼﺎدﻓﯽ طبقه‌ای تعداد 361 نفر به عنوان نمونه انتخاب شدند. در این پژوهش برای جمع‌آوری داده‌ها و اطلاعات لازم از دو نوع ابزارِ مصاحبه نیمه ساختارمند و پرسشنامه محقق ساخته استفاده شده‌است. روایی صوری و محتوایی پرسشنامه‌ مورد تأیید قرار گرفت. ضریب آلفای کرونباخ برای پرسشنامه 81/0به دست آمد. برای تجزیه و تحلیل داده‌ها از فنون آمار توصیفی و استنباطی استفاده شد. بر اساس یافته‌های حاصل از مصاحبه مشخص شد که عوامل مؤثر بر تدریس اثربخش در 5 مقوله کلی ویژگی‌های شخصیتی و فردی، ویژگی‌های علمی و سواد، توانمندی در روابط انسانی و قدرت برقراری ارتباط، مهارت تدریس و مدیریت کلاس درس و مهارت ارزشیابی قابل بررسی می‌باشد. یافته‌های بخش کمی نیز نشان داد از دیدگاه دانشجویان بهترین ساختار برای تدریس اثربخش، دارای یک لایه ورودی با 5 متغیر ورودی و یک لایه پنهان با 3 نرون و یک لایه خروجی با یک متغیر خروجی بود. بررسی اهمیت متغیرهای مستقل در پیشگویی تدریس اثربخش نشان داد که از دیدگاه دانشجویان بیشترین اهمیت مربوط به ویژگی‌های شخصیتی و فردی و کمترین اهمیت مربوط به ویژگی‌های علمی و سواد استاد می باشد. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  234 - کاربرد شبکه‌های عصبی مصنوعی در بررسی ارتباط بین سرمایه‌اجتماعی و رضایت مشتری
  هوشنگ تقی زاده محمدصادق زینلی کرمانی
  هدف از این تحقیق توسعه یک مدل از شبکه‌های عصبی مصنوعی برای شناسایی ارتباط بین سرمایه اجتماعی و رضایت مشتری است. بدین منظور، ضمن مرور ادبیات و مفاهیم موجود در زمینه سرمایه‌اجتماعی و رضایت مشتری، عوامل مؤثر مورد مطالعه قرار گرفت. تحقیق حاضر بر پایه دو مجموعه داده متفاوت ا أکثر

  هدف از این تحقیق توسعه یک مدل از شبکه‌های عصبی مصنوعی برای شناسایی ارتباط بین سرمایه اجتماعی و رضایت مشتری است. بدین منظور، ضمن مرور ادبیات و مفاهیم موجود در زمینه سرمایه‌اجتماعی و رضایت مشتری، عوامل مؤثر مورد مطالعه قرار گرفت. تحقیق حاضر بر پایه دو مجموعه داده متفاوت استوار است. اولین مجموعه داده‌ها از پاسخگویی 100 مدیر از شرکت‌هایی که در زمینه قطعه‌سازی خودرو در آذربایجان شرقی فعالیت می‌کنند، جمع‌آوری شده است. حجم این نمونه با استفاده از جدول بارتلت بدست آمده است. برای گردآوری داده‌های سرمایه‌اجتماعی و ابعادش از پرسشنامه استفاده شده است. دومین مجموعه داده‍ا از پاسخ مشتریان به پرسشنامه‌هایی که با طیف 5 نقطه‌ای لیکرت(کاملاً موافق،...، کاملاً مخالف) طراحی شده‌اند، جمع‌آوری گردید. روش تحقیق از نوع همبستگی است. از ضریب همبستگی اسپیرمن و شبکه‌های عصبی مصنوعی برای تجزیه و تحلیل داده‌ها استفاده شده است. شبکه‌های عصبی چند لایه، با تابع آموزشی تانژانت هایپربولیک، آموزش داده شده با الگوریتم پیش‌خور برای ساخت مدل شناسایی بکار گرفته شده‌اند. آزمون سؤالات نشان داد که رابطه معنی‌داری بین سرمایه ‌اجتماعی و رضایت مشتری وجود دارد. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  235 - کاربرد شبکه های عصبی مصنوعی برای شناسایی مشتریان راضی خدمات پس از فروش خودرو
  علیرضا فضل زاده محمدصادق زینلی کرمانی
  هدف این تحقیق توسعه یک مدل از شبکه های عصبی برای شناسایی مشتریان راضی برای بازاریابی ارایه سرویس های تعمیراتی خودروها بود. داده ها از بررسی ده سرویس دهنده خدمات خودرویی در ایران بدست آمدند. شبکه های عصبی چند لایه با تابع آموزش تانژانت هایپربولیک با الگوریتم آموزشی پیش خ أکثر

  هدف این تحقیق توسعه یک مدل از شبکه های عصبی برای شناسایی مشتریان راضی برای بازاریابی ارایه سرویس های تعمیراتی خودروها بود. داده ها از بررسی ده سرویس دهنده خدمات خودرویی در ایران بدست آمدند. شبکه های عصبی چند لایه با تابع آموزش تانژانت هایپربولیک با الگوریتم آموزشی پیش خور برای ساخت مدل شناسایی به کار گرفته شد. نتایج مشخص ساخت که دقت مدل شناسایی آزمایش روی مدل بزرگتر از آن است که اتفاقی به نظر برسد. در خلال یک سری وزن های خاص موجود، اعتبار کلی هر یک از متغیرهای مستقل تولید شده کاملاً روشن می شود. این تحقیق تایید کرد که مدل شبکه عصبی برای شناخت الگوهای موجود داده های مشتری قابل استفاده است. مزایای استفاده از نقاط قوت مدل نشان داده شده است. مؤلفان معتقدند که مدل مفید است و به عنوان ابزار تحلیلی برای بازاریاب های خدمات تعمیراتی خودروها برای طراحی استراتژی بازار، مناسب است. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  236 - بهبود کارایی پیش‌بینی بهره وری با رویکرد طراحی آزمایشات تاگوچی (مورد مطالعه : صنایع غذایی ایران)
  سید محمود زنجیرچی مهدی حاتمی منش حمیدرضا کدخدازاده سیدعلی محمد بنی فاطمه
  پیش بینی بهره وری عاملی بسیار مهم در طراحی استراتژی های یک سازمان است. یکی از روش های پیش بینی بهره وری، استفاده از شبکه های عصبی مصنوعی است که به علت دارا بودن پارامترهای قابل تنظیم، به کارگیری آن نیاز به تجربه و مهارت زیادی دارد و اغلب از آزمایش و خطا برای دستیابی به أکثر

  پیش بینی بهره وری عاملی بسیار مهم در طراحی استراتژی های یک سازمان است. یکی از روش های پیش بینی بهره وری، استفاده از شبکه های عصبی مصنوعی است که به علت دارا بودن پارامترهای قابل تنظیم، به کارگیری آن نیاز به تجربه و مهارت زیادی دارد و اغلب از آزمایش و خطا برای دستیابی به سطوح مناسب این پارامترها استفاده می شود. این مقاله، الگویی 7 مرحله ای جهت انتخاب مقادیر مناسب پارامترهای قابل تنظیم شبکه عصبی ارائه می دهد تا با به کارگیری طراحی آزمایش های تاگوچی کارایی در پیش بینی بهره وری بهبودمی یابد. به کارگیری این روش در پیش بینی بهره وری صنایع غذایی ایرن، سطوح بهینۀ پارامترها را که منجر به مطلوب ترین پیش بینی در شبکه عصبی می شود، بدین شرح ارائه می دهد: تعداد لایه های پنهان: 2 لایه، تعداد نورون هر لایه پنهان: 7 نورون، نرخ یادگیری: 9/0 و تعداد ورودی های شبکه عصبی: شاخص های بهره وری با درجه همبستگی بیشتر از 85/0؛ که از بین عوامل فوق، عامل تعداد لایه های پنهان با سهم مشارکت 18/71% در نتیجۀ آزمایش ها، مهم ترین عامل طراحی شبکه عصبی در پیش بینی بهره وری صنایع غذایی ایران است. در نهایت، نتیجه کلی تحقیق نشان داد که به کارگیری این الگو علاوه بر کاهش زمان و هزینه های پیش بینی، امکان انتخاب استراتژی های رقابتی فراهم می شود. به علاوه این روش با تعیین سهم مشارکت هر یک از پارامتهای قابل تنظیم در نتایج آزمایش، تصمیم گیرندگان را در میزان دقت و توجهی که باید به هر یک از این پارامترها داشته باشند، یاری می رساند. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  237 - پیش‌بینی موفقیت توسعه محصول جدید با استفاده از ترکیب تحلیل عاملی و شبکه عصبی مصنوعی
  غلامرضا سلطانی فسقندیس علیرضا پویا مصطفی کاظمی زهرا ناجی عظیمی
  موفقیت محصولات جدید به عنوان برترین عامل برای موفقیت شرکت ها و حتی بقای آنها محسوب می شود. با این حال بررسی های متعدد نشان می دهد که نرخ شکست توسعه محصول جدید به عنوان یک معضل اساسی در بسیاری از شرکت ها مطرح بوده است. شرکت های بسیاری سعی دارند تا قبل از توسعه محصول جدید أکثر

  موفقیت محصولات جدید به عنوان برترین عامل برای موفقیت شرکت ها و حتی بقای آنها محسوب می شود. با این حال بررسی های متعدد نشان می دهد که نرخ شکست توسعه محصول جدید به عنوان یک معضل اساسی در بسیاری از شرکت ها مطرح بوده است. شرکت های بسیاری سعی دارند تا قبل از توسعه محصول جدید، اقدام به پیش بینی موفقیت توسعه محصول جدید نمایند. بر همین اساس نیز هدف این تحقیق پیش بینی موفقیت توسعه محصول جدید با استفاده از ترکیب روش های تحلیل عاملی و شبکه عصبی مصنوعی در صنایع غذایی و آشامیدنی می باشد. این تحقیق براساس هدف کاربردی و براساس روش انجام کار توصیفی بوده است. جامعه آماری این تحقیق، شرکت های تولید کننده مواد غذایی و آشامیدنی استان آذربایجان شرقی در سال 1394 بوده است. به منظور جمع آوری داده ها در این تحقیق از دو پرسشنامه استفاده شده است که بعد از اطمینان از روایی و پایایی آن در بین جامعه آماری توزیع گردیده است. به منظور تجزیه و تحلیل داده ها در این تحقیق از روش های تحلیل عاملی و شبکه عصبی مصنوعی استفاده شده است. نتایج تجزیه و تحلیل داده ها نشان دهنده وجود شش سازه اصلی مفهوم سازی محصول جدید، گرایش به بازار، گرایش به طراحی، گرایش به عوامل فنی و تکنولوژی، استفاده از منابع و مدیریت توسعه محصول جدید به عنوان عوامل موثر در موفقیت توسعه محصول جدید بوده است. همچنین پیش بینی موفقیت توسعه محصول جدید با استفاده از شبکه عصبی مصنوعی نشان می دهد که شبکه طراحی شده در 81 درصد موارد قادر به پیش بینی صحیح موفقیت توسعه محصول جدید بوده است. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  238 - ‎Role of Fuzzy Sets on Artificial Intelligence Methods‎: ‎A literature Review
  Cengiz Kahraman Sezi Onar Basar Oztaysi Selcuk Cebi
  10.30495/tfss.2023.1976303.1060
  Machines can model and improve the human minds capabilities through artificial intelligence. One of the most popular tools of artificial intelligence is fuzzy sets, which can capture and model the vagueness and impreciseness in human thoughts. This paper, first of all, أکثر

  Machines can model and improve the human minds capabilities through artificial intelligence. One of the most popular tools of artificial intelligence is fuzzy sets, which can capture and model the vagueness and impreciseness in human thoughts. This paper, first of all, introduces the recent extensions of ordinary fuzzy sets and then presents a literature review on the integration of fuzzy sets with other artificial intelligence techniques such as automated reasoning, autonomous agents, multi-agent systems, machine learning, case-based reasoning, deep learning, information reasoning, information representation, natural language processing, symbolic reasoning, and neural networks. Graphical illustrations of literature review results are presented for each of these integrated artificial intelligence techniques. The results of a patent search on fuzzy artificial intelligence are also given. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  239 - بررﺳﯽ روﻧﺪ تغییرات ﮐﺎرﺑﺮی اراﺿﯽ ﺷﻬﺮ ﻋﺴﻠﻮﯾﻪ ﺑﯿﻦ ﺳﺎﻟﻬﺎی 1989 ﺗﺎ 2019 میلادی و ﭘﯿﺶﺑﯿﻨﯽ تغییرات ﺑﺎ اﺳﺘﻔﺎده از ﺳﻨﺠﺶ از دور و ﻣﺪﻟﻬﺎی CA-Markov و LCM
  بهروز سعدین محمد ابراهیم عفیفی
  ﺗﻐﻴﻴﺮ ﻛﺎرﺑﺮی اراﺿﻲ ﺑﻪ ﻋﻨﻮان ﻋﺎﻣﻠﻲ ﭘﺎﻳﻪ در ﺗﻐﻴﻴﺮات زﻳﺴﺖﻣﺤﻴﻄﻲ ﻋﻤﻞ ﻛﺮده و ﺑﻪ ﻳﻚ ﺧﻄﺮ ﺟﻬﺎﻧﻲ ﺗﺒﺪﻳﻞ ﺷﺪه اﺳﺖ. ﺑﺎزﺑﻴﻨﻲ اﻳﻦ ﺗﻐﻴﻴﺮات از ﻃﺮﻳﻖ ﺗﺼﺎوﻳﺮ ﻣﺎﻫﻮارهای و ﭘﻴﺶﺑﻴﻨﻲ و ارزﻳﺎﺑﻲ ﭘﺘﺎﻧﺴﻴﻞ آﻧﻬﺎ از ﻃﺮﻳﻖ ﻣﺪﻟﺴﺎزی ﻣﻲﺗﻮاﻧﺪ ﺑﻪ ﺑﺮﻧﺎﻣﻪرﻳﺰان ﻣﺤﻴﻂ زﻳﺴﺖ و ﻣﺪﻳﺮان ﻣﻨﺎﺑﻊ ﻃﺒﻴﻌﻲ ﺑﺮای ﺗﺼﻤﻴﻤﺎت آﮔﺎﻫﺎﻧﻪ أکثر

  ﺗﻐﻴﻴﺮ ﻛﺎرﺑﺮی اراﺿﻲ ﺑﻪ ﻋﻨﻮان ﻋﺎﻣﻠﻲ ﭘﺎﻳﻪ در ﺗﻐﻴﻴﺮات زﻳﺴﺖﻣﺤﻴﻄﻲ ﻋﻤﻞ ﻛﺮده و ﺑﻪ ﻳﻚ ﺧﻄﺮ ﺟﻬﺎﻧﻲ ﺗﺒﺪﻳﻞ ﺷﺪه اﺳﺖ. ﺑﺎزﺑﻴﻨﻲ اﻳﻦ ﺗﻐﻴﻴﺮات از ﻃﺮﻳﻖ ﺗﺼﺎوﻳﺮ ﻣﺎﻫﻮارهای و ﭘﻴﺶﺑﻴﻨﻲ و ارزﻳﺎﺑﻲ ﭘﺘﺎﻧﺴﻴﻞ آﻧﻬﺎ از ﻃﺮﻳﻖ ﻣﺪﻟﺴﺎزی ﻣﻲﺗﻮاﻧﺪ ﺑﻪ ﺑﺮﻧﺎﻣﻪرﻳﺰان ﻣﺤﻴﻂ زﻳﺴﺖ و ﻣﺪﻳﺮان ﻣﻨﺎﺑﻊ ﻃﺒﻴﻌﻲ ﺑﺮای ﺗﺼﻤﻴﻤﺎت آﮔﺎﻫﺎﻧﻪﺗﺮ ﻛﻤﻚ ﻛﻨﺪ. ﻫﺪف اﻳﻦ ﺗﺤﻘﻴﻖ ﺑﺎزﺑﻴﻨﻲ، ﻣﺪﻟﺴﺎزی و ﭘﻴﺶﺑﻴﻨﻲ ﺗﻐﻴﻴﺮات ﻛﺎرﺑﺮی اراﺿﻲ در دوره 30 ﺳﺎﻟﻪ (1989تا 2019) ﺗﻮﺳﻂ ﻣﺪل زﻧﺠﻴﺮة ﻣﺎرﻛﻮف- LCM در ﻣﻨﻄﻘﻪ عسلویه می‌باشد اﺳﺖ. ﺑﺪﻳﻦ ﻣﻨﻈﻮر ﻧﻘﺸﻪﻫﺎی ﻛﺎرﺑﺮی اراﺿﻲ ﺑﺎ اﺳﺘﻔﺎده از ﺗﺼﺎوﻳﺮ ﺳﻨﺠﻨﺪه +ETM و TM و OLIﻣﺎﻫﻮاره ﻟﻨﺪﺳﺖ در ﺳﻪ دوره زﻣﺎﻧﻲ ﻣﺮﺑﻮط ﺑﻪ ﺳﺎلﻫﺎی (2019-2009-1989) ﺗﻬﻴﻪ ﮔﺮدﻳﺪ. ﺳﭙﺲ ﺻﺤﺖﺳﻨﺠﻲ ﻧﻘﺸﻪﻫﺎ و آﺷﻜﺎرﺳﺎزی ﺗﻐﻴﻴﺮات اﻧﺠﺎم ﺷﺪ. با استفاده از طبقه بندی شبکه عصبی و همچنین به کارگیری مدل پیش بینی تغییرات کاربری (Land Change Modeler) LCMمارکوف و رویکرد مدلساز تغییر کاربری اراضی انجام شده است. ﻧﺘﺎﻳﺞ آﺷﻜﺎرﺳﺎزی ﺗﻐﻴﻴﺮات دوره اول ﺑﺎ ﺿﺮﻳﺐ ﻛﺎﭘﺎی 97 % و دوره دوم 2019-2009 ﺑﺎ ﺿﺮﻳﺐ ﻛﺎﭘﺎی 94% ﻧﺸﺎن ﻣﻲدﻫﺪ ﻛﻪ ﺑﻴﺶﺗﺮﻳﻦتغییرات ﻣﺴﺎﺣﺖ در ﻧﺎﺣﻴﻪ آب و ﺑﻴﺶﺗﺮﻳﻦ ﻛﺎﻫﺶ ﻣﺴﺎﺣﺖ در ﻧﺎﺣﻴﻪ پوشش گیاهی رخ داده اﺳﺖ. ﺑﻪ ﻣﻨﻈﻮر ﻛﺎﻟﻴﺒﺮه ﻛﺮدن ﻣﺪل زﻧﺠﻴﺮة ﻣﺎرﻛﻮف، ﻧﻘﺸﻪ ﻛﺎرﺑﺮی ﺳﺎل 2013 ﭘﻴﺶﺑﻴﻨﻲ ﺷﺪ و ﻣﺎﺗﺮﻳﺲ ﺧﻄﺎی ﺑﻴﻦ ﻧﻘﺸﻪ ﺣﺎﺻﻞ از ﻣﺪلﺳﺎزی و ﻧﻘﺸﻪ ﻛﺎرﺑﺮی ﻣﺮﺟﻊ ﺳﺎل 2019، ﺿﺮﻳﺐ ﻛﺎﭘﺎی 93% ﺑﺪﺳﺖ داد ﻧﺘﺎﻳﺞ ﻣﺪل ﺳﺎزی ﻧﻴﺮوی اﻧﺘﻘﺎل ﺑﺎ اﺳﺘﻔﺎده از ﺷﺒﻜﻪ ﻋﺼﺒﻲ ﻣﺼﻨﻮﻋﻲ در ﺑﻴﺸﺘﺮ زﻳﺮ ﻣﺪلﻫﺎ ﺻﺤﺖ ﺑﺎﻻﻳﻲ را 60 ﺗﺎ 93 درﺻﺪ ﻧﺸﺎن داد. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  240 - Entrepreneurship policy and innovative indicators of industrial companies: Evaluation by MCDM and ANN Methods
  mehdi karimi farshid namamian farhad vafaei Alireza Moradi
  The present paper presented a methodology for prioritizing the innovative and entrepreneurial indicators using Multi Criteria Decision Making (MCDM) and Artificial Neural Networks (ANNs), taking into account three individual, organizational and cultural dimensions simul أکثر

  The present paper presented a methodology for prioritizing the innovative and entrepreneurial indicators using Multi Criteria Decision Making (MCDM) and Artificial Neural Networks (ANNs), taking into account three individual, organizational and cultural dimensions simultaneously in decision making procedure. This methodology has two main advantages: first, the speed of operation in the accounting process and its simplification, and the other is the high precision with the elimination of errors in the calculations. Hence, a combination of findings were considered and identified in the Meta synthesis framework in the form of group categorization of indicators. Then, the entrepreneurship and innovation experts' opinion were gathered based on Meta-analysis. Next, the indicators were prioritized using Analytical Network Process (ANP) and the Decision-Making Trial and Assessment Laboratory (DEMATEL). The results obtained from Meta-analysis and multi criteria decision making methods were used as input and output data, respectively, to create an Artificial Neural Network model. Finally, the Artificial Neural Network model was designed in the form of Multi-layer Perceptron (MLP) Neural Network. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  241 - Developing an Appropriate Investment Model in Stock Exchange by DEA Neural Network Approach
  مصطفی کاظمی محمد اسفندیار حدیث نجاریان
  In recent years, the existing competitions between investment companies have been increased largely by entering private investors in capital market. Large and powerful companies try to achieve the goals predicted to increase the competition capacity. To analyze the effi أکثر

  In recent years, the existing competitions between investment companies have been increased largely by entering private investors in capital market. Large and powerful companies try to achieve the goals predicted to increase the competition capacity. To analyze the efficiency of investment companies, parametric and non-parametric methods are used. In this research, based on the dissociation power and sensitivity of outliers efficiency frontier in DEA, the efficiency of 31 investment companies listed in Tehran Stock Exchange are evaluated by DEA models and neural network integrated model as 2 non-parametric methods during 2009-2011. Due o the weakness of DEA in ranking efficient units, these units will be ranked by Anderson and Peterson method. In DEA neural network integrated approach, multi-layer perspetron network by LM two training algorithm are used. When comparing the results of integrated model and DEA, the power of neural network will be represented for evaluating the efficiency. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  242 - Prediction of forging force and barreling behavior in isothermal hot forging of AlCuMgPb aluminum alloy using artificial neural network
  hamidreza Rezaei Ashtiani p shahsavari
  In the present investigation, an artificial neural network (ANN) model is developed to predict the isothermal hot forging behavior of AlCuMgPb aluminum alloy. The inputs of the ANN are deformation temperature, frictional factor, ram velocity and displacement whereas the أکثر

  In the present investigation, an artificial neural network (ANN) model is developed to predict the isothermal hot forging behavior of AlCuMgPb aluminum alloy. The inputs of the ANN are deformation temperature, frictional factor, ram velocity and displacement whereas the forging force, barreling parameter and final shape are considered as the output variable. The developed feed-forward back-propagation ANN model is trained with Leven berg–Marquardt learning algorithm. Since the finite element (FE) simulation of the process is a time-consuming procedure, the ANN has been designed and the outputs of the FE simulation of the hot forging are used for training the network and then, the network is employed for prediction of the behavior of the output parameters during the isothermal forging process. Experimental data is compared with the FE predictions to verify the model accuracy. The performance of the ANN model is evaluated using a wide variety of standard statistical indices. Results show that the ANN model can efficiently and accurately predict isothermal hot forging behavior of AlCuMgPb alloy. Finally the extrapolation ability and noise sensitivity of the ANN model are also investigated. It is found that the extrapolation ability is very high in the proximity of the training domain, and the noise tolerance ability very robust. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  243 - Estimation of the mean grain size of mechanically induced Hydroxyapatite based bioceramics via artificial neural network
  Mohammad Fahami Majid Abdellahi
  This study focuses on the estimation of the mean grain size of mechanically induced Hydroxyapatite (HA) through the artificial neural network (ANN) model. The mean grain size of HA and HA based nanocomposites at different milling parameters were obtained from previous st أکثر

  This study focuses on the estimation of the mean grain size of mechanically induced Hydroxyapatite (HA) through the artificial neural network (ANN) model. The mean grain size of HA and HA based nanocomposites at different milling parameters were obtained from previous studies. The data were trained and tested by the neural network modeling. Accordingly, all data (55 sets) were based on the mechanically alloying process and were randomly divided into 40 sets for training and 15 sets for testing data, respectively. The data used in the multilayer feed forward neural networks models and input variables of models were arranged in a format of 13 input parameters. The results indicated a very good agreement between the experimental data and the predicted ones. R2 value of the trained and tested suggested model confirmed this situation. Given the broad range of the parameters used, it was found that our analysis and model were fully functional to accurately estimate the optimal conditions for experiments. This shows the potential application of these calculations and analysis in a wide range of numerical studies. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  244 - Damage detection and structural health monitoring of ST-37 plate using smart materials and signal processing by artificial neural networks
  Hamid Reza Mirdamadi Farshad Ghasemi Javad Jafari
  Structural health monitoring (SHM) systems operate online and test different materials using ultrasonic guided waves and piezoelectric smart materials. These systems are permanently installed on the structures and display information on the monitor screen. The user info أکثر

  Structural health monitoring (SHM) systems operate online and test different materials using ultrasonic guided waves and piezoelectric smart materials. These systems are permanently installed on the structures and display information on the monitor screen. The user informs the engineers of the existing damage after observing signal loss which appears after damage is caused. In this paper health monitoring is done for plate shaped structures made of ST-37 steel. After conducting the experimental tests, the stored signals by the multi-layer artificial neural network algorithm is processed and the damage caused in the plate is detected. By analyzing the graphs, it becomes clear that after causing damage the signal amplitude decreases. In the experimental test two piezoelectric discs are used on a steel plate which have been installed using a strong adhesive. Using a strong adhesive improves wave, propagation in the structure. Developing innovative testing methods for the SHM system has caused better control in structures after assembly. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  245 - Prediction of Corrosion Rate for Carbon Steel in Soil Environment by Artificial Neural Network and Genetic Algorithm
  Amir Akhtari-Goshayeshi Moslem Ghobadi Ehsan Saebnoori Alireza Zarezadeh Mohammad Rostami Mohammad Nematollahi
  In this study, the corrosion rates for St37 carbon steel in some soil types with different conditions were measured. The effects of the parameters of moisture amount, soil’s particle size and salt’s concentration were determined by the mass loss method. An A أکثر

  In this study, the corrosion rates for St37 carbon steel in some soil types with different conditions were measured. The effects of the parameters of moisture amount, soil’s particle size and salt’s concentration were determined by the mass loss method. An Artificial Neural Network (ANN) model with three inputs and one output was established to simulate the experimental data. It was observed that Levenberg–Marquardt algorithm with hyperbolic tangent sigmoid transfer function provided the best results in training with the lowest MSE and MAE compared to the other methods in the model. The R values for training, validation, and test were presented and the value of 0.98684 was achieved for the complete data set which demonstrate a high level of ANN performance. The Genetic Algorithm (GA) was also used to find optimum inputs for the target of minimum corrosion rate value. The results showed a good agreement between the model prediction and experimental values. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  246 - ارزیابی پایداری زیست محیطی در نواحی شهری با رویکرد معضل ریزگردها با استفاده از فن تصمیم گیری چندمعیاره تخصیص خطی و شبکه عصبی مصنوعی(مطالعه موردی: اهواز)
  یحیی عبدالکریم نیسی محمد ابراهیم عفیفی مرضیه موغلی
  ارزیابی پایداری زیست محیطی، به عنوان یکی از مهمترین ابزار در فرآیند برنامه ریزی توسعه پایدار بوده و لذا توجه به آن در سیاست گذاری ها و برنامه ریزیها امری اجتناب ناپذیر است. هدف این مقاله ارزیابی پایداری زیست محیطی در نواحی شهری با رویکرد معضل ریزگردها با استفاده از فن ت أکثر

  ارزیابی پایداری زیست محیطی، به عنوان یکی از مهمترین ابزار در فرآیند برنامه ریزی توسعه پایدار بوده و لذا توجه به آن در سیاست گذاری ها و برنامه ریزیها امری اجتناب ناپذیر است. هدف این مقاله ارزیابی پایداری زیست محیطی در نواحی شهری با رویکرد معضل ریزگردها با استفاده از فن تصمیم گیری چندمعیاره تخصیص خطی و شبکه عصبی مصنوعی در اهواز است. در این پژوهش ابتدا از طریق مطالعه مبانی نظری پژوهش اقدام به شناسایی معیارهایی که در جهت پایداری زیست محیطی مؤثر است شد. سپس از روش اسنادی و کتابخانه ای و مراجعه به ادارات و سازمان های مختلف در جهت گردآوری اطلاعات بخش تئوریکی استفاده شد. اما جمع آوری اطلاعات اصلی پژوهش، با استفاده از مطالعات میدانی(تکمیل پرسشنامه، مشاهدات و بررسی میدانی) صورت گرفته است. فرآیند تحقیق بدین صورت بود که برای عملیاتی کردن روش شناسی از طریق معیارهای بدست آمده از مطالعه ادبیات مسئله، پرسشنامه ای طراحی و در 8 منطقه در بین مردم به روش تصادفی طبقه ای توزیع گردید. حجم نمونه از کل مناطق بر اساس فرمول کوکران نامحدود در قالب طبقات جمعیتی مناطق تعیین شد. بر این اساس در مجموع 420 نفر عنوان نمونه مورد مصاحبه قرار گرفتند. یافته های تحقیق نشان داد در روش تخصیص خطی، منطقه 2 با وزن 0.1137 در اولویت نخست و مناطق 6، 8، 4 و 1 با وزن 0.1093، 0.0672، 0.0502 و 0.0507 در اولویت های بعدی از لحاظ پایداری زیست محیطی قرار دارند. در روش شبکه عصبی، منطقه است تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  247 - مدلسازی حرکت ماسه های روان با استفاده ازتصاویر ماهواره ای لندست وشبکه عصبی مصنوعی (منطقه مورد مطالعه: دشت لوت)
  علیرضا رضایی مرضیه موغلی
  جهت تهیه مدل ارتفاع رقومی منطقه، از روش رقومی کردن خطوط تراز موجود در نقشه های توپوگرافی و سپس میان یابی کردن آنها استفاده شده است. بدین ترتیب که ابتدا نقشه های توپوگرافی 1:50000 منطقه توسط نرم افزار GIS تبدیل به TIN شد و آنگاه از نقشه TIN تهیه شده گردید و سپس DEM منطقه أکثر

  جهت تهیه مدل ارتفاع رقومی منطقه، از روش رقومی کردن خطوط تراز موجود در نقشه های توپوگرافی و سپس میان یابی کردن آنها استفاده شده است. بدین ترتیب که ابتدا نقشه های توپوگرافی 1:50000 منطقه توسط نرم افزار GIS تبدیل به TIN شد و آنگاه از نقشه TIN تهیه شده گردید و سپس DEM منطقه تهیه گردید. تصحیحات و پردازش های لازم روی تصاویر انجام شد. برای مدل شبکه های عصبی مصنوعی از جعبه ابزار شبکه عصبی مصنوعی از نرم افزار spss16 استفاده شده است. جابجایی تپه های ماسه ای با استفاده از شبکه های عصبی مصنوعی و مدل های رگرسیونی مدل سازی شد. در یک فرآیند مدلسازی اعم از آماری یا شبکه‌های عصبی مصنوعی، داده ها معمولا به دو قسمت تقسیم می شوند. یک قسمت برای آموزش یا کالیبره کردن یا واسنجی مدل و قسمت دیگر برای آزمون یا صحت سنجی مدل می باشد. نتایج نشان داد سنجش از دور، شبکه های عصبی مصنوعی و مدل های رگرسیونی دارای قابلیت خوبی برای مدل سازی جابجایی تپه های ماسه ای می باشند. در این تحقیق از تکنولوژی سنجش از دور در مطالعه و مانیتورینگ مرفولوژی تپه های شن روان فعال و منشایابی آن در منطقه استفاده گردیده که جهت تهیه نقشه های ژئومرفولوژی کواترنر، بهبود نقشه زمین شناسی، تفکیک انواع شن در دشت لوت و بالاخره بارزسازی ارتباط بین مناطق برداشت و رسوب مورد استفاده قرار گرفته است. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  248 - ارزیابی دقت شبکه عصبی مصنوعی بازگشتی نارکس در پیش بینی بارش روزانه در استان کرمان
  کمال امیدوار معصومه نبوی زاده میثم ثمره قاسم
  بارش یکی از پارامترهای مهم اقلیمشناسی و سایر علوم جوّی که از اهمیّ تّ والای یّ در حیاتبشر برخوردار است. در سالهای اخیر، سیل و خشکسالی خسار های فراوانی را در بس یّاریاز مناطق جهان در پی داشته است. پیش بینی بارش در مدیریت و هشدار این معضلا نق شّمهمی بر عهده دارد. امروزه ش أکثر

  بارش یکی از پارامترهای مهم اقلیمشناسی و سایر علوم جوّی که از اهمیّ تّ والای یّ در حیاتبشر برخوردار است. در سالهای اخیر، سیل و خشکسالی خسار های فراوانی را در بس یّاریاز مناطق جهان در پی داشته است. پیش بینی بارش در مدیریت و هشدار این معضلا نق شّمهمی بر عهده دارد. امروزه شبکههای عصبی مصنوعی از جمله روشهای نوین م یّباش دّ ک هّبرای تخمین و پیشبینی پارامترها با استفاده از ارتباط ذاتی بین دادهه اّ توس عّه یافت هّ اس تّ.هدف این پژوهش، ارزیابی دقت شبکه عصبی بازگشتی نارکس در پیش بین یّ ب اّرش روزان هّمیباشد که با استفاده از آمار روزانۀ هواشناسی ایستگاههای کرمان، بافت و میانده جیرفت، طی7393 (، میباشد به منظور مقایسه به آموزش شبکههای - دوره مشترک آماری 11 ساله ) 1171عصبی مصنوعی با ساختار پرسپترون چند لایه و شبکه عصبی بازگشتی نارکس پرداخت هّ ش دّ.عوامل اقلیمی مؤثر در بارش به عنوان ورودیهای شبکههای عصبی مصنوعی و بارش روزانه بهو ض رّی )MSE( عنوان خروجی شبکه در نظر گرفته شد. آم اّره اّی می اّنگین مرب ه اّ خط اّبه منظور ارزیابی روشهای بکار برده شده، استفاده گردید. نتایج نشان داد ک هّ ،)R( همبستگیمدل ترکیبی 41 ، بر پایه قانون آموزش لونبرگ م اّرکوا و ت اّب مک رّک س یّگموبید ب اّ هم هّپارامترهای هواشناسی در هر سه ایس تّگاه از دقّ تّ قاب لّ قب وّلی برخ وّردار اس تّ. همچن یّنمشخص شد که مدلهای مطلوب شبکه عصبی مصنوعی در یالت تغییرا افزایشی نسبت ب هّرطوبت نسبی، دارا ی بیشترین یساسیّت هستند تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  249 - مدل‌سازی تغییرات کاربری اراضی با استفاده از مدل ساز تغییر سرزمین (LCM ) مطالعه موردی: شهرستان نکا
  سیده معصومه فتح الهی رودباری کامران نصیراحمدی مهرداد خانمحمدی
  تغییرات کاربری به خصوص توسعه شهرها باعث تخریب زیستگاه های طبیعی و کاهش تنوع زیستی می شود. به طور معمول برنامه ریزان شهری جهت کنترل کردن تغییرات کاربری اراضی از روش مدل سازی استفاده می کنند. در این مطالعه، هدف مدل سازی تغییرات کاربری اراضی شهرستان نکا، با استفاده از LCM( أکثر

  تغییرات کاربری به خصوص توسعه شهرها باعث تخریب زیستگاه های طبیعی و کاهش تنوع زیستی می شود. به طور معمول برنامه ریزان شهری جهت کنترل کردن تغییرات کاربری اراضی از روش مدل سازی استفاده می کنند. در این مطالعه، هدف مدل سازی تغییرات کاربری اراضی شهرستان نکا، با استفاده از LCM(Land Change Modeler) بوده است. جهت به دست آوردن نقشه کاربری اراضی منطقه از تصاویر ماهواره Landsat سنجنده های TM و ETM+ و TIRS_OLI متعلق به سال های 1988 و 2002 و 2016 استفاده گردید. همچنین جهت مدل سازی پتانسیل انتقال با استفاده از شبکه عصبی مصنوعی انجام گرفت. در این مطالعه 5 زیر مدل به همراه 9 متغیر استفاده گردید. سپس جهت پیش بینی تغییرات کاربری سال 2016 از دوره واسنجی 1988تا 2002 و زنجیره مارکف و مدل پیش بینی سخت استفاده شد. در نهایت نیز از نقشه سال های 2002 تا 2016 برای پیش بینی تغییرات کاربری اراضی متعلق به سال 2030 استفاده گردید. صحت مدل‌سازی با استفاده از ماتریس خطا ارزیابی شد. نتایج نشان داد که در طی سال های 1988 تا 2016 اراضی جنگلی 2297 هکتار کاهش داشته و بیشترین تغییرات مربوط به تبدیل اراضی جنگلی به کشاورزی بوده است. نتایج مدل سازی با استفاده از شبکه عصبی مصنوعی نیز صحت بالایی بالای (69 درصد) داشته است. نتیجه مدل سازی برای سال 2030 نیز نشان داد که مساحت جنگل کاهش میابد و اراضی کشاورزی و مناطق شهری افزایش پیدا می کنند. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  250 - سنجش و ارزیابی سطح توسعه یافتگی مناطق روستایی بخش مرکزی شهرستان فلاورجان: کاربرد تحلیل شبکه عصبی مصنوعی
  حمید رستگاری مهدی نوری پور
  در برنامه‌ریزی‌های توسعه چه در سطح کلان و چه در سطح خرد، بدست آوردن شناخت و درک صحیح از تفاوت‌ها و اختلافات میان مناطق روستایی از نظر امکانات زیرساختی، اجتماعی، اقتصادی و زیست محیطی ضروری است به طوری که این شناخت می تواند به سیاست‌گذاران و تصمیم‌گیران در شناخت توانایی‌ه أکثر

  در برنامه‌ریزی‌های توسعه چه در سطح کلان و چه در سطح خرد، بدست آوردن شناخت و درک صحیح از تفاوت‌ها و اختلافات میان مناطق روستایی از نظر امکانات زیرساختی، اجتماعی، اقتصادی و زیست محیطی ضروری است به طوری که این شناخت می تواند به سیاست‌گذاران و تصمیم‌گیران در شناخت توانایی‌ها، تفاوت‌ها و میزان محرومیت مناطق روستایی کمک شایانی بکند تا بدین وسیله نیز توسعه متوازن در مناطق حکم فرما شود. لذا، بر این اساس، هدف پژوهش حاضر، سنجش سطح توسعه یافتگی مناطق روستایی شهرستان فلاورجان بود. پژوهش حاضر به روش پیمایش انجام گرفت. جامعه آماری پژوهش، روستاهای 20 خانوار به بالاتر بخش مرکزی شهرستان فلاورجان بود (26 روستا) که با استفاده از فرمول کوکران 376 خانوار در این روستاها انتخاب شدند. برای جمع‌آوری داده‌ها از پرسشنامه محقق ساخته و داده‌های ثانویه اتخاذ شده از شناسنامه آبادی سال 1390 استفاده شد. روایی صوری پرسشنامه توسط اعضای هیئت علمی مدیریت توسعه روستایی دانشگاه یاسوج و پایایی آن از طریق ضریب آلفای کرونباخ (65/0 تا 95/0) تأیید شد. برای سنجش و اولویت‌بندی توسعه یافتگی روستاها از 24 شاخص در چهار بعد اجتماعی- فرهنگی، اقتصادی، محیطی و کالبدی- زیرساختی استفاده شد. به منظور تجزیه تحلیل داده‌ها، ابتدا داده‌های خام هنجارسازی شدند و پس از آن با استفاده از شبکه عصبی مصنوعی پرسپترون چند لایه وزن هر یک شاخص‌ها به ترتیب بدست آمد. داده‌پردازی با استفاده از نرم افزار MATLABR2015a و SPSS22‌ انجام گرفت. یافته‌ها نشان داد که روستاهای جوجیل، جولرستان و زفره به ترتیب رتبه‌های اول تا سوم و روستاهای مهرنجان اتراک و مهرنجان در رتبه‌های آخر از لحاظ توسعه یافتگی قرار داشتند. نتایج کلی پژوهش حاکی از وضعیت نسبتا مطلوب توسعه یافتگی در روستاهای مورد مطالعه بود. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  251 - هیه نقشه کاربری اراضی شهر سبزوار با استفاده از روش‌های حداکثر احتمال و شبکه عصبی مصنوعی پرسپترون چند لایه
  الهه اکبری مجید ابراهیمی ابوالقاسم امیر احمدی
  از جمله عوامل مهم در برنامه‌ریزی و مدیریت شهری، به ویژه در راستای نیل به توسعه‌ی پایدار در نواحی شهری و استفاده بهینه از سرزمین، اطلاع بهنگام از وضعیّت پوشش اراضی برای این مناطق است. داده‌های سنجش از دور به جهت ارائه‌ی اطلاعات به هنگام و رقومی، تنوع اشکال و امکان پردازش أکثر

  از جمله عوامل مهم در برنامه‌ریزی و مدیریت شهری، به ویژه در راستای نیل به توسعه‌ی پایدار در نواحی شهری و استفاده بهینه از سرزمین، اطلاع بهنگام از وضعیّت پوشش اراضی برای این مناطق است. داده‌های سنجش از دور به جهت ارائه‌ی اطلاعات به هنگام و رقومی، تنوع اشکال و امکان پردازش پتانسیل بالایی برای تهیه‌ی نقشه‌های به روز کاربری اراضی شهری دارند. در این تحقیق با استفاده از تصویر ماهواره‌ای Landsat/ETM+ و دو الگوریتم طبقه‌بندی نظارت شده شامل حداکثر احتمال و شبکه عصبی مصنوعی، نقشه کاربری اراضی تهیه و با یکدیگر مقایسه گردید. در طبقه‌بندی با استفاده از الگوریتم شبکه عصبی از یک شبکه پرسپترون با یک لایه پنهان و 7 نرون ورودی، 9 نرون میانی و 4 نرون خروجی استفاده شده است که تعداد نرون‌های ورودی همان تعداد باندهای تصویر ماهواره‌ای لندست و تعداد نرون‌های خروجی همان تعداد کلاس‌های نقشه کاربری اراضی می‌باشد. در نهایت نقشه پوشش اراضی منطقه به چهار طبقه‌ی مناطق مسکونی، اراضی بایر، پوشش گیاهی و جادّه طبقه‌بندی شد. برای ارزیابی صحّت نتایج طبقه‌بندی، برداشت‌های زمینی با استفاده از GPS انجام گرفت. نتایج حاصل از ارزیابی دقت این دو روش با استفاده از صحت کلی و ضریب کاپا نشان داده است که الگوریتم شبکه عصبی پرسپترون با دقت کلی 24/98 و ضریب کاپای 9703/0 نسبت به الگوریتم حداکثر احتمال با دقت کلی 23/94 و ضریب کاپای 9034/0 از دقت بیش تری برخوردار است. همچنین در این تحقیق ارزیابی شد که روش طبقه‌بندی شبکه‌ی عصبی پرسپترون چند لایه، نسبت به روش حداکثر احتمال، از توان تفکیک و قابلیت بیش تری برای تهیه‌ی نقشه پوشش اراضی در مناطق شهری برخوردار می‌باشد. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  252 - Modelling the degradation of Sunset Yellow FCF azo dye by Fe2O3/Bentonite catalyst using artificial neural networks
  Reza Moradi Mohammad Ehsan Mosayebian Kazem Mahanpoor
  10.22034/jna.2020.1908203.1228
  In this paper, the precipitation method has been used to stabilize Fe2O3 particles on Bentonite zeolite (BEN). Fe2O3/BEN catalysts have been characterized by scanning electron microscopy (SEM), X-ray diffraction (XRD) and Brunauer-Emmett-Teller (BET) surface area analys أکثر

  In this paper, the precipitation method has been used to stabilize Fe2O3 particles on Bentonite zeolite (BEN). Fe2O3/BEN catalysts have been characterized by scanning electron microscopy (SEM), X-ray diffraction (XRD) and Brunauer-Emmett-Teller (BET) surface area analysis. Artificial neural network (ANN) was used for modelling the photocatalytic degradation of Sunset Yellow FCF (SYF) azo dye in aqueous solution under irradiation in the batch photoreactor. The parameters including pH, catalyst amount, dye concentration and H2O2 concentration were applied as input; the output of the network was degradation percentage. Modelling the results the photocatalytic degradation of dye using a feed forward back propagation three-layer network, topology (4:7:1) with four neurons in the input layer, seven neurons in the hidden layer and one neuron in the output layer were used. Comparison between data obtained from ANN and experimental data indicated that the proposed ANN model provides reasonable predictive performance. The optimum conditions were as follow: pH= 4, catalyst amount=60 mg/L, dye concentration =50 ppm and H2O2 concentration =32 ppm. The chemical oxygen demand (COD) analysis of the dye under optimum conditions showed 91% reduction in 80 min period. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  253 - Modeling the degradation of Sunset Yellow FCF azo dye by Fe2O3/Bentonite catalyst using artificial neural networks
  Mohammad Ehsan Mosayebian Reza Moradi Kazem Mahanpoor
  10.22034/jna.2021.685871
  In this paper, the precipitation method has been used to stabilize Fe2O3 particleson Bentonite zeolite (BEN). Fe2O3/BEN catalysts have been characterized byscanning electron microscopy (SEM), X-ray diffraction (XRD), and Brunauer-Emmett-Teller (BET) surface area analysi أکثر

  In this paper, the precipitation method has been used to stabilize Fe2O3 particleson Bentonite zeolite (BEN). Fe2O3/BEN catalysts have been characterized byscanning electron microscopy (SEM), X-ray diffraction (XRD), and Brunauer-Emmett-Teller (BET) surface area analysis. Artificial neural network (ANN)was used for modeling the photocatalytic degradation of Sunset Yellow FCF(SYF) azo dye in aqueous solution under irradiation in the batch photoreactor.The parameters including pH, catalyst amount, dye concentration and H2O2concentration was applied as input; the output of the network was degradationpercentage. Modeling the results of the photocatalytic degradation of dye using afeed-forward, backpropagation three-layer network, topology (4:7:1) with fourneurons in the input layer, seven neurons in the hidden layer, and one neuron inthe output layer was used. Comparison between data obtained from ANN andexperimental data indicated that the proposed ANN model provides reasonablepredictive performance. The optimum conditions were as follows: pH= 4, catalystamount=60 mg/L, dye concentration =50 ppm and H2O2 concentration =32ppm. The chemical oxygen demand (COD) analysis of the dye under optimumconditions showed a 91% reduction in 80 min period. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  254 - Intelligent and Optimal Control of Air Conditioning ‎Systems by Achieving Comfort and Minimize Energy
  Yazdan Daneshvar Majid Sabzehparvar Seyed Amir Hossein Hashemi
  In this study, artificial neural networks, artificial neural network combination with genetic algorithm and neural network combination with Kalman filter were used to optimally model and control a real air conditioning system. Using the above methods, the system is firs أکثر

  In this study, artificial neural networks, artificial neural network combination with genetic algorithm and neural network combination with Kalman filter were used to optimally model and control a real air conditioning system. Using the above methods, the system is first trained and after verifying the modeling accuracy, the capability of this modeling to predict the future conditions of the system is investigated. In addition to the subsystems investigated in both heating and cooling phases by mass and energy equations in Simulink simulated by Matlab software, the results of this section are finally compared with the optimal modeling results. The most important advantage of artificial neural network modeling over mass and energy equation modeling approaches is that it captures all the uncertainties and nonlinear properties of the air conditioning system due to the use of real data for modeling. It takes. Therefore, this method can optimize energy consumption in air conditioners by predicting the future conditions of the system and by precisely adjusting the time of turning on and off the main energy consuming equipment. The most important achievement of this research is more accurate and realistic modeling of the nonlinear air conditioning system.Comparing the methods used in the research for simulation methods using mass and energy equations, modeling using Bayesian trained neural network, artificial neural network modeling using MLP, modeling using neural network and genetic algorithm, modeling Using neural network and Kalman filter, the square error is equal to 0.006, 0.18, 0.056, 0.1456 and more than 0.5, respectively. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  255 - مقایسه عملکرد مدل‌های خطی وغیرخطی در توضیح سیستم تقاضای تقریباً ایده‌آل
  محمد رضایی پور مهدی ذوالفقاری مجتبی یوسفی دیندارلو ابوالفضل نجارزاده
  در اکثر مطالعات تجربی انجام شده با استفاده از سیستم معادلات تقاضای تقریباً ایده‌آل، کشش‌های قیمتی و درآمدی حاصل از برآورد این معادلات به توصیه‌های سیاستی حساسی در حوزه اقتصاد خرد و کلان منجر شده است. این درحالی است که برآورد خطی سیستم یاد شده مورد شک و تردید می‌باشد. در أکثر

  در اکثر مطالعات تجربی انجام شده با استفاده از سیستم معادلات تقاضای تقریباً ایده‌آل، کشش‌های قیمتی و درآمدی حاصل از برآورد این معادلات به توصیه‌های سیاستی حساسی در حوزه اقتصاد خرد و کلان منجر شده است. این درحالی است که برآورد خطی سیستم یاد شده مورد شک و تردید می‌باشد. دراین مقاله به بررسی عملکرد سیستم معادلات تقاضای تقریباً ایده‌آل خطی و غیرخطی پرداخته شده است. به این منظور با استفاده از تکنیک رگرسیون‌های به ظاهر نامرتبط برای تخمین مدل به روش خطی و از شبکه عصبی پیشخور چند لایه برای تخمین مدل غیرخطی بهره گرفته شده است. نتایج حاصل از برآورد مدل‌ها مبین این واقعیت می‌باشند که مدل شبکه عصبی پیشخور دارای خطای کم‌تر و در نتیجه از عملکرد بالاتری در برآورد سیستم معادلات تقاضا برخوردار می‌باشد. نتایج مبین وجود تردیدهایی برای کاربرد شاخص قیمت استون جهت خطی‌کردن برآورد سیستم تقاضای تقریباً ایده‌آل می‌باشد. بنابراین برای برآورد معادلات سیستمی، استفاده از مدل غیرخطی تقریباً ایده‌آل با استفاده از شبکه عصبی مصنوعی توصیه می‌شود. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  256 - پیش‌بینی قیمت سهام شرکت فرآورده های نفتی پارس با استفاده از شبکه عصبی و روش رگرسیونی مطالعه موردی: قیمت سهام شرکت فرآورده‌های نفتی پارس
  سید نظام الدین مکیان فاطمه السادات موسوی
  یکی از راه‌های تامین سرمایه برای سرمایه‌گذاری، انتشار اوراق قرضه و سهام از طریق بازار بورس می‌باشد. افراد در این بازار انتظار دستیابی به سود را دارند. اولین و مهم‌ترین عاملی که در اتخاذ سرمایه‌گذاری در بورس فراروی سرمایه‌گذار قرار دارد عامل قیمت سهام است که به تبع آن مق أکثر

  یکی از راه‌های تامین سرمایه برای سرمایه‌گذاری، انتشار اوراق قرضه و سهام از طریق بازار بورس می‌باشد. افراد در این بازار انتظار دستیابی به سود را دارند. اولین و مهم‌ترین عاملی که در اتخاذ سرمایه‌گذاری در بورس فراروی سرمایه‌گذار قرار دارد عامل قیمت سهام است که به تبع آن مقوله ارزیابی و پیش‌بینی قیمت آینده نیز مطرح می‌شود. فعالان در این بازار درصدد دستیابی و به‌کارگیری روش‌‌هایی هستند تا با پیش‌بینی آتی قیمت سهام، سود سرمایه خود را افزایش دهند.مطالعه‌ حاضر با هدف پیش‌بینی قیمت پایانی سهام- مطالعه موردی شرکت فرآورده‌های نفتی پارس- با به کارگیری داده‌های روزانه در دوره زمانی 13/8/1388 تا 11/11/1389 از طریق دو روش شبکه عصبی مصنوعی و رگرسیونی ARIMA صورت پذیرفته است. نتایج به‌دست آمده به وسیله مدل شبکه عصبی دارای خطای کمتر، قدرت توضیح‌دهندگی بالاتر و در نتیجه پیش‌بینی بهتری را نسبت به روش رگرسیونی نشان می‌دهد. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  257 - Improving the Performance of Forecasting Models with Classical Statistical and Intelligent Models in Industrial Productions
  Maryam Bahrami Mehdi Khashei Atefeh Amindoust
  The capability to receive and deliver customer demand on time in today's competitive world is a significant concern for all industries. In particular, demand management has entered a new era with many companies competing in the last decade. Customer demand management is أکثر

  The capability to receive and deliver customer demand on time in today's competitive world is a significant concern for all industries. In particular, demand management has entered a new era with many companies competing in the last decade. Customer demand management is one of the contemporary issues. The main goal of demand management is to improve supply chain effectiveness, and it is important to note that it is complementary to distribution management and product demand management. Therefore, demand forecasting is essential. For this purpose, in this study, the modeling of the combination structure using autoregressive integrated moving average models and multilayer perceptron neural networks in the field of demand with benchmark data is investigated. The data sets used in this study are two well-known benchmarks of the total product revenue of the Taiwan machinery industry and the sales volume of soft drinks. Eviews and Matlab software have been used to determine the unknown parameters of the proposed model. The experimental results of the research show that the performance of the proposed hybrid model is more accurate than its single components. In addition, results indicate that intelligent models can perform better than classic statistical models. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  258 - A New Hybrid Prediction Reduces the Bullwhip Effect of Demand in a Three-level Supply Chain
  Afshin Yousefi Ayub Rahimzadeh Alireza Moradi
  In this paper, we present a new predictive hybrid model using discrete wavelet transform (DWT), and the artificial neural network (ANN) to reduce the bullwhip effect of demand in supply chain to obtain a real amount of final customer demand. Also, we compare our result أکثر

  In this paper, we present a new predictive hybrid model using discrete wavelet transform (DWT), and the artificial neural network (ANN) to reduce the bullwhip effect of demand in supply chain to obtain a real amount of final customer demand. Also, we compare our result with more comprehensive sample of previous research to extend the scope of our study. In this new research our methodology is combine two discrete wavelet transform (DWT), and the artificial neural network (ANN) was used to analyze the data. Results indicated that in comparison with the previous methods of prediction to reduce the bullwhip effect in supply chains, the use of DWT and ANN is more favorable leading to less error against other methods. Moreover, we discrete our data in liner data and nonlinear data because since the combinational method uses nonlinear data and gives importance to these data rather than linear data, it can be concluded that in comparison with linear data, nonlinear data have more importance in predicting the bullwhip effect. According to this new combinational technique, organizations can obtain suitable amounts of demand at all stages of supply chain, which makes a low distance between true and forecasting demands. Therefore, organizations can avoid some costs that playing an inessential role in their products. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  259 - Using Artificial Neural Networks to Predict Rolling Force and Real Exit Thickness of Steel Strips
  Mohammad Heydari Vini1
  There is a complicated relation between cold flat rolling parameters such as effective input parameters of cold rolling, output cold rolling force and exit thickness of strips. In many mathematical models, the effect of some cold rolling parameters has been ignored and أکثر

  There is a complicated relation between cold flat rolling parameters such as effective input parameters of cold rolling, output cold rolling force and exit thickness of strips. In many mathematical models, the effect of some cold rolling parameters has been ignored and the outputs have not a desirable accuracy. In the other hand, there is a special relation among input thickness of strips, the width of the strips, cold rolling speed, mandrill tensions, required exit thickness of strips with rolling force and the real exit thickness of the rolled strip. First of all in this study, the effective parameters of cold rolling process modeled using an artificial neural network according to the optimum network achieved by using a written program in MATLAB. It has been shown that the prediction of rolling stand parameters with different properties and new dimensions attained from prior rolled strips by an artificial neural network is applicable. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  260 - Optimum Designing of Forging Preform Die for the H-shaped Parts Using Backward Deformation Method and Neural Networks Algorithm
  Afshin Naeimi Mohsen Loh Mousavi Ali Eftekhari
  In a closed die forging process, it is impossible to form complex shapes in one stage, and thus it becomes necessary to use preform dies. In the present study, Backward Deformation Method and FE simulation via ABAQUS software has been used in order to design preform die أکثر

  In a closed die forging process, it is impossible to form complex shapes in one stage, and thus it becomes necessary to use preform dies. In the present study, Backward Deformation Method and FE simulation via ABAQUS software has been used in order to design preform die of the H-shaped parts. In the Backward Deformation Method, the final shape of the part is considered as a starting point and using a specific method, a plastic returning path is predicted. Afterwards, using FE results obtained by simulation of the forging process, an artificial neural network is designed to predict the material behavior under various conditions and for different kinds of preform to select optimum preform dies. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  261 - طراحی مدل پیش بینی ورشکستگی مالی شرکت های پذیرفته شده در بورس اوراق بهادار تهران با استفاده از شبکه های عصبی مصنوعی و مقایسه آن با مدل رگرسیون لوجیت
  فرهاد سنچولی
  با توجه به نگرانی‌هایی که سرمایه‌گذاران از بازگشت اصل و سود سرمایه‌ دارند و پیامدها و هزینه‌هایی که وقوع ورشکستگی برای شرکت‌ها و اقتصاد کشور و سایر افراد و نهادها می‌تواند ایجاد نماید، طراحی یک مدل قابل اطمینان جهت پیش‌بینی احتمال وقوع ورشکستگی شرکت‌ها برای راهنمایی برا أکثر

  با توجه به نگرانی‌هایی که سرمایه‌گذاران از بازگشت اصل و سود سرمایه‌ دارند و پیامدها و هزینه‌هایی که وقوع ورشکستگی برای شرکت‌ها و اقتصاد کشور و سایر افراد و نهادها می‌تواند ایجاد نماید، طراحی یک مدل قابل اطمینان جهت پیش‌بینی احتمال وقوع ورشکستگی شرکت‌ها برای راهنمایی برای تصمیم‌گیرندگانی همچون شرکت-های سرمایه‌گذاری، بانک‌ها و دولت ضروری به نظر می‌رسد. در این پژوهش از روش شبکه عصبی مصنوعی و روش رگرسیون لوجیت جهت پیش‌بینی ورشکستگی تعدادی از شرکت‌های پذیرفته شده در بورس اوراق بهادار تهران طی سال‌های 1395 تا 1399 استفاده شده و نتایج با روش رگرسیون لوجیت مقایسه شده است. میزان دقت کلی پیش‌بینی روش شبکه عصبی مصنوعی برای هریک از سال-های t، t-1، t-2 و t-3 به ترتیب برابر با 55/96 % ، 55/96 % ،24/92 % و 24/92 % و برای روش رگرسیون لوجیت برای همین سال‌ها به ترتیب 94% ، 82/94% ، 51/90% و 06/87% می‌باشد که نشان داد روش شبکه عصبی مصنوعی از دقت بالاتری نسبت به روش رگرسیون لوجیت برخوردار می باشد. لذا می توان نتیجه گرفت که روش شبکه عصبی مصنوعی ابزار مناسب‌تری برای پیش‌بینی ورشکستگی شرکت‌ها در اختیار قرار می‌دهد. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  262 - کنترل سطح دینامیکی با استفاده از شبکه‌های عصبی تطبیقی برای سیستم-های تصادفی غیرخطی به فرم فیدبک-اکید دارای پسماند پرنتل-ایشلینسکی در عملگر
  محمد مهدی آقاجری مهناز هاشمی
  به منظور پایدارسازی سیستم های تصادفی غیرخطی فیدبک-اکید دارای غیرخطی گونگی پسماند پرنتل-ایشلینسکی در عملگر، با بکارگیری روش طراحی کنترل سطح دینامیکی تطبیقی که از شبکه های گوسی بهره برده اند، یک روش طراحی کنترل کننده پیشنهاد شده است. این روش قابل اعمال به سیستم های غیرخط أکثر

  به منظور پایدارسازی سیستم های تصادفی غیرخطی فیدبک-اکید دارای غیرخطی گونگی پسماند پرنتل-ایشلینسکی در عملگر، با بکارگیری روش طراحی کنترل سطح دینامیکی تطبیقی که از شبکه های گوسی بهره برده اند، یک روش طراحی کنترل کننده پیشنهاد شده است. این روش قابل اعمال به سیستم های غیرخطی تصادفی با هر نوع دینامیک نامعلوم است. شبکه های گوسی براساس قابلیت تقریب زنی عمومی، امکان تقریب زنی دینامیک های نامعلوم سیستم های تصادفی غیرخطی را فراهم می آورند. با استفاده از الگوریتم پارامترهای-یادگیری-کمینه، فرایند تقریب زنی دینامیک های نامعلوم سیستم با کمترین پیچیدگی و حجم محاسبات صورت می پذیرد. پایداری سیستم کنترل پیشنهاد شده، به صورت تحلیلی اثبات شده و نتایج آن نیز به وسیله یک مثال شبیه سازی ردگیری، به نمایش گذاشته شده است. نشان داده شده است که روش طراحیپیشنهاد شده برای سیستم کنترل تطبیقی، کران داری در احتمال و در نتیجه آن کران داری نهایی یکنواخت را برای تمام سیگنال های حلقه-بسته تضمین می کند. همچنین اثبات شده است که می توان با استفاده از این روش خطای ردگیری سیستم را تا اندازه دلخواه کوچک گرداند تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  263 - کنترل تطبیقی عصبی پانکراس مصنوعی برای بیماران دیابت نوع یک با در نظر گرفتن محدودیت در نرخ انسولین تزریقی
  صادق رضایی محسن پارسا
  کنترل متغیرهای حیاتی در افراد بیمار که سیستم کنترل طبیعی آن ها به دلایلی با مشکل مواجه شده، امری ضروری است. یکی از این متغیرهای حیاتی سطح گلوکز خون است و متاسفانه در افرادی که دچار بیماری دیابت (بیماری قند خون) هستند تنظیم سطح گلوکز خون به درستی صورت نمی گیرد. در جهت جب أکثر

  کنترل متغیرهای حیاتی در افراد بیمار که سیستم کنترل طبیعی آن ها به دلایلی با مشکل مواجه شده، امری ضروری است. یکی از این متغیرهای حیاتی سطح گلوکز خون است و متاسفانه در افرادی که دچار بیماری دیابت (بیماری قند خون) هستند تنظیم سطح گلوکز خون به درستی صورت نمی گیرد. در جهت جبران این فقدان، در سال های گذشته تحقیقات و تلاش های متعددی جهت ساخت و بهبود عملکرد پانکراس مصنوعی به جهت کنترل قند خون انجام گرفته است. وجود عواملی مانند نامعینی های متعدد که ناشی از تفاوت های فیزیولوژیکی در اشخاص، فعالیت های گوناگون در طول روز، اثرگذاری با تاخیر کربوهیدرات ها در میزان قند خون بدن، استرس و ورزش، کنترل پانکراس مصنوعی را به موضوعی پر چالش تبدیل کرده است. اما یکی از چالش های مهم در این حوزه که کمتر در تاریخچه به آن پرداخته شده است، وجود محدودیت در دُز مجاز تزریق انسولین در پانکراس مصنوعی برای بیماران دیابت نوع یک است. از سویی تزریق دُز بالا می تواند مشکلاتی مانند هایپرگلیسمی را در بیماران به وجود آورد و از سوی دیگر تزریق دُز منفی انسولین بی معنا است. در این مقاله پس از انتخاب مدل برگمن و در نظر گرفتن وجود اشباع نامتقارن در عملگر، از روش کنترل گام به عقب و تلفیق آن با تکنیک تطبیقی برای بهبود عملکرد کنترل کننده استفاده شده و پایداری سیستم حلقه بسته تضمین می گردد. در انتها با کمک نتایج شبیه سازی نشان داده می شود که با وجود اغتشاش پله ای بزرگ، دُز انسولین تزریقی در محدوده مجاز بین صفر تا 20 میلی واحد بر دقیقه باقی مانده و سطح گلوکوز خون از محدوده مناسب 130 میلی گرم بر دسی لیتر فراتر نمی رود. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  264 - بازشناسی احساسات از روی گفتار با استفاده از ترکیب شبکه‌های عصبی ترنسفورمر و کانولوشنی
  یوسف پورابراهیم فربد رزازی حسین صامتی
  بازشناسی احساسات از روی گفتار با توجه به کاربردهای متنوع آن امروزه مورد توجه بسیاری از محققان قرار گرفته است. با پیشرفت روش‌های آموزش شبکه‌های عصبی عمیق وگسترش استفاده از آن در کاربردهای مختلف، در این مقاله کاربرد شبکه‌های کانولوشنی و ترنسفورمر در یک ترکیب جدید در بازشن أکثر

  بازشناسی احساسات از روی گفتار با توجه به کاربردهای متنوع آن امروزه مورد توجه بسیاری از محققان قرار گرفته است. با پیشرفت روش‌های آموزش شبکه‌های عصبی عمیق وگسترش استفاده از آن در کاربردهای مختلف، در این مقاله کاربرد شبکه‌های کانولوشنی و ترنسفورمر در یک ترکیب جدید در بازشناسی احساسات گفتاری مورد بررسی قرار گرفته که از لحاظ پیاده‌سازی نسبت به روش‌های موجود ساده‌تر بوده و عملکرد مطلوبی نیز دارد. برای این منظور شبکه‌های عصبی کانولوشنی و ترنسفورمر پایه معرفی شده و سپس مبتنی بر آنها یک مدل جدید حاصل از ترکیب شبکه‌های کانولوشنی و ترنسفورمر ارایه شده که در آن خروجی مدل کانولوشنی پایه ورودی مدل ترنسفورمر پایه است. نتایج حاصل نشان می‌دهد که استفاده از شبکه‌های عصبی ترنسفورمر در بازشناسی بعضی از حالت‌های احساسی عملکرد بهتری نسبت به روش کانولوشنی دارد. همچنین در این مقاله نشان داده شده ‌که استفاده از شبکه‌های عصبی ساده به صورت ترکیبی عملکرد بهتری در بازشناسی احساسات از روی گفتار می‌تواند داشته باشد. در این رابطه بازشناسی احساسات گفتاری با استفاده از ترکیب شبکه‌های عصبی کانولوشنی و ترنسفورمر با نام کانولوشنال-ترنسفورمر (CTF) برای دادگان راودس دقتی برابر 94/80 درصد به دست آورد؛ در حالی که یک شبکه عصبی کانولوشنی ساده دقتی در حدود 7/72 درصد به دست آورد. همچنین ترکیب شبکه‌های عصبی ساده علاوه بر اینکه می‌تواند دقت بازشناسی را افزایش دهد، می‌تواند زمان آموزش و نیاز به نمونه‌های آموزشی برچسب دار را نیز کاهش دهد. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  265 - ارزیابی شبکه های عصبی عمیق در تشخیص احساسات با استفاده از الگوهای سیگنال الکتروانسفالوگرام
  آذین کرمانشاهیان مهدی خضری
  در این مطالعه طراحی یک سیستم قابل اعتماد که قادر به شناسایی احساسات مختلف با دقت مطلوب باشد، مورد توجه قرار گرفته است. برای رسیدن به این هدف، دو ساختار برای سیستم تشخیص احساسات شامل 1) ویژگی‌های خطی و غیرخطی سیگنال الکتروانسفالوگرام (EEG) به همراه طبقه‌بندهای رایج و 2) أکثر

  در این مطالعه طراحی یک سیستم قابل اعتماد که قادر به شناسایی احساسات مختلف با دقت مطلوب باشد، مورد توجه قرار گرفته است. برای رسیدن به این هدف، دو ساختار برای سیستم تشخیص احساسات شامل 1) ویژگی‌های خطی و غیرخطی سیگنال الکتروانسفالوگرام (EEG) به همراه طبقه‌بندهای رایج و 2) سیگنال EEG در یک ساختار یادگیری عمیق مدنظر قرار گرفته‌است. برای طراحی سیستم، سیگنال‌های EEG پایگاه داده DEAP که از ۳۲ نفر با نمایش ویدیوهای احساسی ثبت شده‌اند، مورد استفاده قرارگرفتند. پس از آماده‌سازی و حذف نویز، ویژگی‌های سیگنال شامل چولگی، کشیدگی، پارامترهای جورث، نمای لیاپانف‌، آنتروپی شانون، بعد همبستگی، بعد فرکتال و برگشت‌پذیری زمان از زیرباندهای آلفا، بتا و گاما استخراج شدند. سپس با توجه به ساختار یک، ویژگی‌های تعیین شده به‌عنوان ورودی به طبقه‌بندهای رایج مانند درخت تصمیم (DT)، k نزدیک‌ترین همسایه (kNN) و ماشین بردار پشتیبان (SVM) اعمال شدند. همچنین مطابق با ساختار دو، سیگنال EEG به‌عنوان ورودی شبکه عصبی کانولوشنی (CNN) درنظر گرفته شد. هدف ارزیابی نتایج شبکه‌های آموزش عمیق و سایر روش‌ها برای تشخیص احساسات است. با توجه به نتایج کسب شده، SVM با دقت 1/94 درصد بهترین عملکرد را برای شناسایی چهار حالت احساسی به‌‌دست آورد. همچنین CNN پیشنهادی، با دقت 86 درصد حالت‌های موردنظر را شناسایی کرد. روش‌های یادگیری عمیق به‌‌دلیل این‌که به تعیین ویژگی برای سیگنال‌ها نیاز ندارند و در برابر نویزهای مختلف مقاومند، نسبت به طبقه‌بندهای ساده برتری دارند. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  266 - آشکارسازی فشرده‌سازی JPEG مضاعف با استفاده از شبکه‌های عصبی عمیق در حوزه مکان
  محمد رحمتی فربد رزازی علیرضا بهراد
  : با افزایش علاقه‌مندی به فشرده نمودن تصاویر با فرمت فرمت گروه مشترک متخصصان عکاسی (JPEG)، یکی از مهم‌ترین مباحث در دست‌کاری تصاویر دیجیتال، یافتن روشی مناسب جهت آشکارسازی فشرده‌سازی JPEG مضاعف است. در این مقاله با معرفی یک فیلتر تطبیقی آموزش‌دیده بر پایه خودرمزگذار پیچ أکثر

  : با افزایش علاقه‌مندی به فشرده نمودن تصاویر با فرمت فرمت گروه مشترک متخصصان عکاسی (JPEG)، یکی از مهم‌ترین مباحث در دست‌کاری تصاویر دیجیتال، یافتن روشی مناسب جهت آشکارسازی فشرده‌سازی JPEG مضاعف است. در این مقاله با معرفی یک فیلتر تطبیقی آموزش‌دیده بر پایه خودرمزگذار پیچشی (CAE) و در حوزه مکان، به این موضوع پرداخته می‌شود تا با حذف اطلاعات تداخلی ناشی از محتوای تصویر، آشکارسازی دقیق‌تری داشته باشیم. از آنجایی که شبکه عصبی پیچشی (CNN) توانسته عملکرد موفقی در طبقه‌بندی تصاویر داشته باشد، از این شبکه‌ها در قسمت طبقه‌بندی استفاده می‌شود. مدل پیشنهادی بر اساس CAE متوالی شده با CNN است که توانسته دقت آشکارسازی و حساسیت به ضرایب کیفیت (QFs) قابل قبولی را در دو سناریوی هم‌تراز و ناهم‌تراز ارائه نماید. این مدل توانسته در برخی از حالت ها، حساسیت نسبت به ضرایب کیفیت را تا 86 در صد در مقدار کاهش خطای نسبی (RER) بهبود دهد. آزمایش‌های دیگری از جمله مکان‌یابی محل دست‌کاری بر روی مجموعه داده RAISE برای ارزیابی روش پیشنهادی انجام شده است. این نتایج نشان‌دهنده عملکرد بسیار خوب این روش نسبت به الگوریتم‌های مشابه در شرایطی است که ضریب کیفیت فشرده‌سازی دوم بزرگ‌تر از ضریب کیفیت فشرده‌سازی اول باشد. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  267 - طبقه‌بندی سکته مغزی بر اساس روش یادگیری عمیق در سامانه تصویربرداری ریزموجی از مغز
  مجید روحی جلیل مظلوم محمدعلی پورمینا بهبد قلمکاری
  یکی از عوامل رایج مرگ ومیر در دنیا که بیشتر افراد مسن در معرض آن هستند، سکته مغزی است. حدود 85 درصد از تمام سکته‌های مغزی، از نوع سکته مغزی ایسکمیک بوده و ناشی از خون ریزی داخلی بخشی از مغز است. با توجه به آمار بالای مرگ ومیر ناشی از سکته مغزی، تشخیص و درمان سریع سکته م أکثر

  یکی از عوامل رایج مرگ ومیر در دنیا که بیشتر افراد مسن در معرض آن هستند، سکته مغزی است. حدود 85 درصد از تمام سکته‌های مغزی، از نوع سکته مغزی ایسکمیک بوده و ناشی از خون ریزی داخلی بخشی از مغز است. با توجه به آمار بالای مرگ ومیر ناشی از سکته مغزی، تشخیص و درمان سریع سکته مغزی ایسکمیکی و سکته مغزی هموروژیک بسیار مهم است. در این مقاله یک سیستم تصویربرداری مایکروویو مغز، برای تشخیص خون ریزی داخل جمجمه کروی شکل با شعاع یک سانتی متر در نرم افزار CSTشبیه‌سازی و برای تصویربرداری از یک سری آرایه آنتن پروانه‌ای اصلاح شده در اطراف فانتوم سر چند لایه، استفاده شده است. برای داشتن ویژگی‌های تشعشی مورد نظر در محدوده باند فرکانسی 5/0 الی 5/5 گیگاهرتز، یک محیط تطبیق مناسب طراحی شده است. ابتدا در بخش پردازش از روش‌های بازسازی تصویر مانند الگوریتم‌های بیمفرمر تأخیر و جمع و همچنین تأخیر ضرب و جمع استفاده می‌شود. تصاویر بازسازی شده مفید بودن روش متداول پیشنهادی را در تشخیص هدف کروی در محدوده یک سانتی متر نشان می‌دهد. هدف اصلی این مقاله طبقه‌بندی سکته مغزی ایسکمیکی و هموروژیک با استفاده از رویکردهای یادگیری عمیق است. برای این منظور یک الگوریتم طبقه‌بندی تصویر برای تخمین نوع سکته از تصاویر بازسازی شده ایجاد می‌شود که در این راستا با استفاده از روش پیشنهادی یادگیری عمیق تصاویر بازسازی شده توسط یک ماشین بردار پشتیبان خطی چند کلاسه با ویژگی استخراج شده توسط یک شبکه عصبی کانولوشن آموزش می‌بینند. نتایج شبیه‌سازی شده عملکرد مناسب روش پیشنهادی را در تعیین محل دقیق اهداف خون‌ریزی با دقت 89 درصد و در مدت زمان 9 ثانیه نشان می‌دهد. علاوه بر این، روش پیشنهادی یادگیری عمیق به دلیل سردرگم نبودن سیستم در بین طبقات مختلف از نظر طبقه‌بندی عملکرد خوبی را نشان می‌دهد. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  268 - آشکارسازی آتش براساس استخراج ویژگی های مکانی‌- زمانی از طریق شبکه های عصبی کانولوشنی و تجزیه و تحلیل فراکتال
  منیر ترابیان حسین پورقاسم همایون مهدوی نسب پیام سنایی
  آتش‌سوزی یکی از خطراتی است که می‌تواند سلامت انسان را در مدت زمان کوتاهی به خطر اندازد و اگر به موقع محدود نشود، خسارات زیادی به همراه خواهد داشت. تشخیص به موقع و دقیق مکان آتش‌سوزی می‌تواند از پیامدهای انتشار آن جلوگیری کند. در این تحقیق روش جدیدی برای تشخیص آتش بر مبن أکثر

  آتش‌سوزی یکی از خطراتی است که می‌تواند سلامت انسان را در مدت زمان کوتاهی به خطر اندازد و اگر به موقع محدود نشود، خسارات زیادی به همراه خواهد داشت. تشخیص به موقع و دقیق مکان آتش‌سوزی می‌تواند از پیامدهای انتشار آن جلوگیری کند. در این تحقیق روش جدیدی برای تشخیص آتش بر مبنای استخراج ویژگی‌های زمانی-مکانی آتش در قاب‌‌های ویدئویی پیشنهاد شده است. در الگوریتم پیشنهادی، از یک شبکه عصبی کانولوشنی چند مقیاسی به همراه یک شبکه یولو (YOLO) جهت استخراج ویژگی‌های مکانی و شناسایی مناطق نامزد آتش استفاده شده است. سپس به منظور حذف بافت‌‌های غیر‌متحرک مشابه آتش و بررسی ویژگی‌های زمانی ناحیه نامزد، روش تجزیه و تحلیل فراکتال بر اساس پتوی‌پوشان زمانی به کار برده شده است. در نهایت ناحیه آتش از طریق تلفیق نتایج دو مرحله از سایر قسمت‌های تصویر جدا می‌گردد. نتایج ارزیابی بر روی سه مجموعه داده نشان می‌دهد که صحت روش پیشنهادی تشخیص آتش حدود 1/96 درصد است و این در حالی است که عوامل دقت و بازیابی به ترتیب 92 درصد و 9/96 درصد است. بنابر نتایج تجربی، روش‌ پیشنهادی از سایر الگوریتم‌‌های ارائه شده عملکرد بهتری دارد و بنابراین الگوریتم طراحی‌شده در دنیای واقعی به صورت کارآمد قابل استفاده است. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  269 - طراحی یک تقویتکننده عملیاتی دو طبقه با استفاده از شبکه عصبی مصنوعی
  علیرضا پورخلیلی سید محمد علی زنجانی
  طراحی مدارهای مجتمع آنالوگ با پیچیدگی بالا، نیازمند انتخاب مناسب پارامترهای مختلف طراحی مثل نسبت عرض به طول کانال، مقدار خازن جبران و خازن بار است، به‌‌نحوی که در اثر این تغییرات، پارامترهای مطلوب کاربران مانند بهره‌‌، پهنای باند، توان مصرفی و حاشیه فاز، بهبود یابد. با أکثر

  طراحی مدارهای مجتمع آنالوگ با پیچیدگی بالا، نیازمند انتخاب مناسب پارامترهای مختلف طراحی مثل نسبت عرض به طول کانال، مقدار خازن جبران و خازن بار است، به‌‌نحوی که در اثر این تغییرات، پارامترهای مطلوب کاربران مانند بهره‌‌، پهنای باند، توان مصرفی و حاشیه فاز، بهبود یابد. با توجه به کارهای انجام شده در این زمینه، در این مقاله یک تقویت‌‌کننده عملیاتی دو طبقه با زوج ورودی پی موس (PMOS) و جبران‌‌ساز میلر، به‌‌کمک یک شبکه‌ عصبی مصنوعی طراحی شده است. داده‌‌های ورودی شبکه‌ عصبی، چهار پارامتر عملکرد مداری یعنی بهره فرکانس پایین، پهنای باند، توان مصرفی و حاشیه‌‌ فاز است و در خروجی، مقدار عرض و طول کانال ترانزیستورها، منبع جریان مرجع، خازن جبران و خازن بار حاصل می‌‌شود. در این طراحی، از روش نمونه برداری مبتنی‌بر شبیه‌‌سازی‌‌های موازی اچ-اسپایس برای گردآوری داده از فضای 15 بعدی طراحی استفاده شده است که منجر به سادگی و خودکارسازی فرایند تهیه مجموعه داده‌‌های آموزشی و کاهش زمان نمونه برداری شده است و سپس این داده‌‌ها برای آموزش مدل عصبی استفاده شده‌‌اند. در مرحله‌‌ بعد، از روش نمونه‌‌برداری بازه‌‌ای برای ایجاد طراحی‌‌های جدیدی از مدل عصبی آموزش‌‌دیده، بهره گرفته شده که باعث سهولت فرایند طراحی شده است و امکان انجام انواع مصالحه مورد نظر کاربر بین پارامترهای عملکرد مختلف تقویت‌‌کننده را فراهم کرده است. همچنین اگر ضریب شایستگی (FOM) از تقسیم حاصل‌‌ضرب پهنای باند واحد در خازن بار به توان مصرفی به دست آید، مقایسه طراحی‌‌های حاصل شده از روش ارائه شده در این مقاله، با برخی از روش‌‌های به کار رفته برای طراحی تقویت‌‌کننده‌‌ها‌‌ی عملیاتی با ساختار مشابه در مطالعات قبلی، نشان می‌‌دهد که این پارامتر، حداقل 154 درصد افزایش یافته است. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  270 - پیش‌بینی مصرف برق با استفاده از الگوریتم جدید بهینه‌سازی زغن و شبکه عصبی مصنوعی پرسپترون چند لایه
  جلال رئیسی گهرویی زهرا بهشتی
  از آنجا که پیش بینی مصرف برق از موارد مهم مدیریت انرژی هر کشور محسوب می شود، در سال های اخیر روش های مختلفی براساس هوش مصنوعی برای آن ارائه شده است. یکی از این روش ها، استفاده از شبکه های عصبی مصنوعی است. برای آن که این شبکه ها عملکرد خوبی داشته باشند، باید به خوبی آموز أکثر

  از آنجا که پیش بینی مصرف برق از موارد مهم مدیریت انرژی هر کشور محسوب می شود، در سال های اخیر روش های مختلفی براساس هوش مصنوعی برای آن ارائه شده است. یکی از این روش ها، استفاده از شبکه های عصبی مصنوعی است. برای آن که این شبکه ها عملکرد خوبی داشته باشند، باید به خوبی آموزش ببینند. یکی از متداول ترین الگوریتم های آموزش مورد استفاده در این شبکه ها، الگوریتم پس انتشار خطاست که براساس گرادیان نزولی است. از آنجا که الگوریتم های مبتنی برگرادیان نزولی ممکن است به نقاط بهینه محلی گرفتار شوند، در برخی از مسائل راه حل خوبی ارائه نمی دهند. از این رو برای آموزش این شبکه ها می توان از الگوریتم های بهینه سازی مانند الگوریتم های فراابتکاری که امکان فرار از بهینه های محلی را دارند، استفاده نمود. در این تحقیق، الگوریتم فراابتکاری جدیدی به نام الگوریتم بهینه سازی زغن معرفی می گردد که از زندگی اجتماعی زغن ها در طبیعت الهام گرفته شده است و دارای مزایایی مانند تعداد پارامترهای کم، قابلیت اکتشاف و سرعت همگرایی خوب، است. کارایی الگوریتم پیشنهادی، با چند الگوریتم جدید فراابتکاری روی توابع محک CEC2018 و برای آموزش شبکه عصبی در پیش بینی مصرف برق ایران در زمان های اوج مصرف بار، مقایسه گردیده است. نتایج حاصل، نشان می دهد الگوریتم پیشنهادی راه حل بهتری با خطای کمتری، در مقایسه با الگوریتم های رقیب به دست می آورد. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  271 - افزایش دقت شبکه‌های عصبی کانولوشنی مبتنی بر مدل چهار-جریان با فیلترهای پردازش تصویر و نگاشت خطی‌ساز فضای عدم تشابه
  زهرا حیدران داروقه امنیه سید محمد جلال رستگار فاطمی مریم رستگارپور گلناز آقایی قزوینی
  در سال‌های اخیر با گسترش و موفقیت شبکه‌های کانولوشنی، موضوع یادگیری عمیق بیش از پیش مورد توجه قرار گرفته است. از آنجا که شبکه‌های کانولوشنی شامل لایه های زیادی هستند، یادگیری بهینه لایه‌های شبکه از اهمیت بالایی برخوردار است. در این مقاله، مدل جدیدی به نام چهار-جریان، با أکثر

  در سال‌های اخیر با گسترش و موفقیت شبکه‌های کانولوشنی، موضوع یادگیری عمیق بیش از پیش مورد توجه قرار گرفته است. از آنجا که شبکه‌های کانولوشنی شامل لایه های زیادی هستند، یادگیری بهینه لایه‌های شبکه از اهمیت بالایی برخوردار است. در این مقاله، مدل جدیدی به نام چهار-جریان، با هدف کمک به خطی کردن فضای داده از طریق تبدیل عدم تشابه بازنمایی ارائه و تأثیر این تبدیل روی طبقه بندهای استاندارد برای داده های مصنوعی و تصاویر سیفار-10 بررسی و دو مدل مبتنی بر پیش پردازش داده با تبدیل عدم تشابه بازنمایی و فیلترهای سوبل و آشکارساز لبه تحلیل شده است. مدل چهار-جریان به دلیل بالا رفتن تعداد پارامترهای مدل و به تبع آن ظرفیت شبکه میزان 2/3 درصد افزایش دقت داشته است و اضافه نمودن بازنمایی عدم تشابه در جایی که طبقه بند نتواند با ویژگی های اصلی، تفکیک پذیری بالایی انجام دهد، می تواند تا حدودی با افزودن ویژگی های خطی به تفکیک پذیری کلاس ها کمک کند. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  272 - ارتقا و بهینه‌سازی کامپوزیت همگن درآنتن های آرایه ای با استفاده از شبکه عصبی کانولوشن
  گوهر ورامینی بهنام درستکار یاقوتی
  ساختار و عملکرد آنتن ها، پهنای باند، بهره و هدایت مهمترین شاخص های عملکرد بشمار می آیند. برای این منظور خط انتقال همگن دست راست–چپ به دلیل تلفات کم، تغییرات فاز، پهنای باند فرکانس، رزونانس مرتبه صفر و منفی، مینیاتورسازی و ساخت آسان از اهمیت و جایگاه بالایی برخوردا أکثر

  ساختار و عملکرد آنتن ها، پهنای باند، بهره و هدایت مهمترین شاخص های عملکرد بشمار می آیند. برای این منظور خط انتقال همگن دست راست–چپ به دلیل تلفات کم، تغییرات فاز، پهنای باند فرکانس، رزونانس مرتبه صفر و منفی، مینیاتورسازی و ساخت آسان از اهمیت و جایگاه بالایی برخوردار و در طراحی آنتن پهن باند و آرایه ای بسیار مناسب است. ساختار دست راست-چپی در آنتن ها به دلیل تفاوت فاز بخش راست در تکرار آرایه ها و ضخامت لایه دچار تاخیر فاز و در نهایت انحراف الگوی تابشی است. از طرفی مسدود شدن خط انتقال در قسمت چپ باعث محدودیت پهنای باند و افزایش میزان تلفات سیستم می گردد. در این مقاله با کمک یادگیری عمیق نقایص کامپوزیت برطرف و بهینه سازی آنتن آرایه ای را شامل شده است. طراحی خط انتقال آنتن پیشنهادی در محدوده 2 الی 7 گیگاهرتز، فرکانس تشدید بهینه 5/4 گیگاهرتز و الگوریتم عصبی کانولوشن، رزونانس دوگانه و سلف مارپیچی در چهار آرایه بر روی پچ بارگذاری شده است. استفاده از شبکه عصبی پیچشی در خط انتقال چپ، تاخیر فاز سمت راست را جبران و در نهایت تغییرات فاز بهینه و اصلاح الگوی تابشی و اسکن مداوم آرایه های فازی را مقدور می سازد. همچنین با ایجاد شکاف در پچ مایکرواستریپ محدودیت پهنای باند برطرف و تلفات سیستم کاهش می یابد. ابعاد ثانویه نسبت به بعد اولیه با توجه به مدل اصلاح شده هوشمند تا حدود 60 درصد کاهش سایز و مینیاتورسازی صورت می گیرد. نتایج این کامپوزیت ارتقا یافته نشان دهنده افزایش پهنای باند 3/20 و بهره وری الگوی تابش بیش از 96 درصد است. از طرفی ابعاد کوچک، پهنای باند فرکانسی مناسب و طراحی ساده شبکه نیز تامین شده است. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  273 - کاهش نوسانات زیر سنکرون با استفاده از ادوات D-FACTS با کنترل‌کننده‌های هوشمند
  زهرا امینی خویی عباس کارگر
  هنگامی که یک توربین-ژنراتور به یک خط انتقال طولانی وصل می‌شود ممکن است عوارض جانبی مانند پدیده SSR در آن به وجود آید. هدف این است که با استفاده از قابلیت‌های جبران کننده سری (DSSC) به عنوان یک عضو از خانواده D- FACTS به کاهش SSR پرداخته شود. برای رسیدن به هدف مورد نظر ا أکثر

  هنگامی که یک توربین-ژنراتور به یک خط انتقال طولانی وصل می‌شود ممکن است عوارض جانبی مانند پدیده SSR در آن به وجود آید. هدف این است که با استفاده از قابلیت‌های جبران کننده سری (DSSC) به عنوان یک عضو از خانواده D- FACTS به کاهش SSR پرداخته شود. برای رسیدن به هدف مورد نظر از کنترل‌کننده فازی، بهینه سازی ازدحام ذرات (PSO) و شبکه عصبی استفاده شده است. بهینه سازی ازدحام ذرات (PSO) بر اساس کنترل‌کننده میرایی مرسوم (CDC)، منطق فازی بر اساس کنترل میرایی (FLBDC) و شبکه عصبی نیز بر اساس کنترل میرایی با استفاده از آموزش داده‌های سرعت و تغییرات سرعت طراحی شده اند. پایداری سیستم از طریق شبیه‌سازی در حوزه زمان و با مطالعه شاخص عملکرد (PI) بر اساس دینامیک سیستم قدرت مورد بررسی قرار گرفته است. نتایج شبیه‌سازی با استفاده از نرم افزار Matlab / Simulinkآورده شده است. موارد مورد مطالعه به منظور نشان دادن این واقعیت است که الگوریتم های مربوطه قادر به کاهش تشدیدهای زیر سنکرون می‌باشند. نشان داده شده که کنترل‌‌کننده فازی و الگوریتم بهینه‌سازی PSOبه همراه شبکه عصبی به خوبی می‌توانند این نوسانات ‌را کاهش دهند. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  274 - بازسازی فضای حالت سری‌های زمانی آشوبی با استفاده از یک روش هوشمند
  مریم پری زنگنه محمد عطایی پیمان معلم
  استفاده از سری‌های زمانی (منظور مشاهدات ما از فرآیند برحسب زمان) یک راه‌حل مؤثر در تحلیل این سیستم‌ها می‌باشد. در واقع تأکید روی این هدف است که چگونه می‌توان از مشاهداتی به فرم سری زمانی اسکالر از فرآیند، که تنها اطلاعات ما در مورد بعضی از سیستم‌ها می‌باشد، به ساختار فض أکثر

  استفاده از سری‌های زمانی (منظور مشاهدات ما از فرآیند برحسب زمان) یک راه‌حل مؤثر در تحلیل این سیستم‌ها می‌باشد. در واقع تأکید روی این هدف است که چگونه می‌توان از مشاهداتی به فرم سری زمانی اسکالر از فرآیند، که تنها اطلاعات ما در مورد بعضی از سیستم‌ها می‌باشد، به ساختار فضای حالت با بُعد محدود رسید. بازسازی فضای حالت بر مبنای نظریه محاط بنا شده که کاربرد آن مستلزم تعیین مقدارهای مناسبی برای دو پارامتر زمان تأخیر (τ)1 و بُعد محاط (m)2 می‌باشد. در این مقاله روشی برای تخمین پارامتر بُعد محاط جهت بازسازی فضای حالت سری‌های زمانی برگرفته از سیستم‌های دینامیکی آشوبی به کمک شبکه‌های عصبی تأخیر زمانی (TDNN) معرفی می‌شود. این روش یک ایده نو در انتخاب بُعد محاط بوده و متفاوت از روش مرسوم شمارش همسایه‌های کاذب (FNN) می‌باشد. در انتها کیفیت عملکرد روش مطرح شده با روش FNN مقایسه شده است و نتایج این مقایسه نشان از کارآیی خوب این روش دارد. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  275 - ارزیابی شبکه‌های عصبی انعطاف‌پذیر باساختار قابل بازسازی در حین آموزش جهت تخمین هارمونیکهای جریان استاتور ژنراتور آسک نیروگاه ری بر اساس الگوریتم CFE/SS
  محمدرضا یوسفی محمد تشنه لب
  یکی از روشهای تشخیص خطای ژنراتور در حین کار، آنالیز هارمونیکهای جریان استاتور می‌باشد. در این مقاله از شبکه‌های عصبی انعطاف‌پذیر با قابلیت بازسازی خود در حین آموزش برای تعیین هارمونیکهای جریان استاتور ژنراتور، در بارهای مختلف استفاده شده است. داده‌های آموزش دهندة شبکه ع أکثر

  یکی از روشهای تشخیص خطای ژنراتور در حین کار، آنالیز هارمونیکهای جریان استاتور می‌باشد. در این مقاله از شبکه‌های عصبی انعطاف‌پذیر با قابلیت بازسازی خود در حین آموزش برای تعیین هارمونیکهای جریان استاتور ژنراتور، در بارهای مختلف استفاده شده است. داده‌های آموزش دهندة شبکه عصبی با استفاده از مدل سازی ژنراتور و استفاده از روش المان محدود (FE) و فضای حالت (SS)، در نقاط مختلف بار روی منحنی بهره برداری ژنراتور برای سه سطح مختلف ولتاژ پایانه به دست آمده است. شبکة عصبی که با استفاده از این داده‌ها آموزش داده شده است، یک شبکة پرسپترون با یک لایة پنهان و با قانون یادگیری پس انتشار خطا می‌باشد. نتایج نشان می‌دهد که شبکه عصبی انعطاف‌پذیر آموزش داده شده با خطای کمتر از ده درصد می‌تواند هارمونیکهای جریان را برای نقاط بار دلخواه روی منحنی بهره‌برداری، نسبت به نتایج حاصل از الگوریتم CFE-SS به دست آورد. پارامترهای نامی ژنراتور آسک عبارتند از: 43950 کیلو ولت آمپر، 11 کیلو ولت، 3000 رادیان بر دقیقه، 50 هرتز و ضریب توان 0.8. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  276 - کنترل تطبیقی غیرمتمرکز سیستم دارای تأخیر زمانی غیرافاین غیرخطی ابعاد وسیع با استفاده از شبکه عصبی موجک
  الهه سعیدی بهرام کریمی مصطفی پوربهی
  در این مقاله، از یک کنترلر تطبیقی به همراه شبکه عصبی موجک برای یک کلاس از سیستم‌های غیرخطی ابعاد وسیع، با زیر سیستم غیر افاین غیرخطی نامعلوم دارای تأخیر زمانی استفاده شده است. تداخلات وارد شده به زیر سیستم‌ها، غیرخطی و دارای تأخیر در نظر گرفته شده است که در مقایسه با حا أکثر

  در این مقاله، از یک کنترلر تطبیقی به همراه شبکه عصبی موجک برای یک کلاس از سیستم‌های غیرخطی ابعاد وسیع، با زیر سیستم غیر افاین غیرخطی نامعلوم دارای تأخیر زمانی استفاده شده است. تداخلات وارد شده به زیر سیستم‌ها، غیرخطی و دارای تأخیر در نظر گرفته شده است که در مقایسه با حالتی که تأخیر برای تداخلات، در نظر گرفته نمی‌شود به واقعیت نزدیک‌تر است. در این مقاله، وزن‌های مربوط به لایه خروجی شبکه عصبی موجک، با استفاده از قوانین تطبیقی به دست می‌آیند و سپس به صورت روی خط تنظیم می‌شوند. پایداری سیستم حلقه بسته با استفاده از تحلیل پایداری لیاپانف- کراسفسکی تضمین شده است. علاوه بر پایداری، همگرایی خطای ردیابی به سمت صفر تضمین می‌شود و همچنین تمام سیگنال‌ها در سیستم حلقه بسته کراندار می‌باشند. در انتها، روش ارائه شده به منظور کنترل دو پاندول معکوس که توسط فنر به یکدیگر متصل شده‌اند، اعمال شده و شبیه سازی می‌شود. نتایج شبیه سازی کامپیوتری ارائه شده، کارایی روش پیشنهاد شده در این مقاله را نشان می‌دهد. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  277 - بررسی و مقایسه عملکرد شبکه‌های عصبی پیشرو و بازگشتی در کنترل فعال نویز صوتی
  مهرشاد سلماسی همایون مهدوی نسب
  کنترل فعال نویز صوتی براساس تولید یک سیگنال نویز دیگر و تداخل آن با نویز اصلی انجام می‌شود. سیگنال تولید‌شده دارای دامنه‌ای برابر با نویز اصلی و 180 درجه اختلاف فاز نسبت به آن می‌باشد. در این مقاله، کنترل فعال نویز صوتی با استفاده از شبکه‌های عصبی پیشرو و بازگشتی انجام أکثر

  کنترل فعال نویز صوتی براساس تولید یک سیگنال نویز دیگر و تداخل آن با نویز اصلی انجام می‌شود. سیگنال تولید‌شده دارای دامنه‌ای برابر با نویز اصلی و 180 درجه اختلاف فاز نسبت به آن می‌باشد. در این مقاله، کنترل فعال نویز صوتی با استفاده از شبکه‌های عصبی پیشرو و بازگشتی انجام شده و عملکرد شبکه‌ها در کاهش نویز مورد بررسی و مقایسه قرار می‌گیرد. شبکه‌های عصبی پیشرو و بازگشتی با نویزهای صوتی موجود در پایگاه دادة SPIB مورد آموزش و تست قرار می‌گیرند. برای مقایسه‌ی دقیق‌تر عملکرد شبکه‌ها، از نمونه‌های مشابه برای آموزش و تست و همچنین پیچیدگی مشابه در ساختار شبکه‌ها استفاده می‌شود. نتایج شبیه‌سازی‌ها توانایی مناسب شبکه‌های عصبی مورد بررسی را در کاهش نویز صوتی نشان می‌دهد. همچنین مشاهده می‌شود که شبکه‌ی عصبی بازگشتی (Elman) عملکرد بهتری را در کاهش نویز صوتی نسبت به شبکه‌ی پیشرو دارد. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  278 - بررسی تخلیه جزیی شینه‌های استاتور ژنراتورهای سنکرون توسط شبکه عصبی
  سیدمیثم عزتی فرامرز فقیهی علی معرفیان پور
  این مقاله به بررسی و تحلیل تخلیه جزیی بر روی شینه‌های استاتور ژنراتور سنکرون می‌پردازد. لازم است در ابتدا، با استفاده از تجهیزات مربوطه، اندازه‌گیری سیگنالهای خاص این نوع تخلیه در دفعات و زمان‌های مختلف انجام گیرد و سپس با توجه به قواعد و استانداردهای موجود به تفسیر آنه أکثر

  این مقاله به بررسی و تحلیل تخلیه جزیی بر روی شینه‌های استاتور ژنراتور سنکرون می‌پردازد. لازم است در ابتدا، با استفاده از تجهیزات مربوطه، اندازه‌گیری سیگنالهای خاص این نوع تخلیه در دفعات و زمان‌های مختلف انجام گیرد و سپس با توجه به قواعد و استانداردهای موجود به تفسیر آنها پرداخته شود. به منظور تفسیر بهتر نتایج، یک شبکه عصبی مورد آموزش، آزمون و صحت سنجی قرار گرفته است. شبکه عصبی مورد استفاده، شبکه پرسپترون پیشرو دو لایه می‌باشد که با روش لونبرگ مارکوارت با در نظر گرفتن حداقل‌سازی مربعات خطا به عنوان شاخص عملکرد، مورد آموزش قرار گرفته است. به عنوان تست سیستم نمونه، آزمایش بر روی سه ژنراتور میتسوبیشی نیروگاه گازی شهر ری که هر کدام با توان نامی 85 مگاوات به تولید می‌پردازند، انجام گرفته است. در استاتور ژنراتور سنکرون عموماً وجود تخلیه الکتریکی در محل تماس شینه‌ها با بدنه استاتور، ورقه ورقه شدن داخلی شینه‌ها، وجود لقی در داخل دیواره عایق اصلی و ایجاد تخلیه در داخل شیار نتایج حاصل از تحلیل تخلیه جزیی می‌باشند تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  279 - بررسی بارزدایی تطبیقی در سیستم‌های قدرت با استفاده از شبکه‌های عصبی
  رحمت اله هوشمند مجید معظمی
  یکی از اصول اساسی در سیستم‌های قدرت پایداری ولتاژ و فرکانس می‌باشد. بارزدایی یکی از آخرین اقدامات کنترلی جهت حفظ پایداری سیستم قدرت می‌باشد. از آنجایی که روشهای بارزدایی سنتی تا حدی زمانبر و غیردقیق هستند، در این مقاله یک روش بارزدایی تطبیقی سریع و بهینه به کمک شبکه‌های أکثر

  یکی از اصول اساسی در سیستم‌های قدرت پایداری ولتاژ و فرکانس می‌باشد. بارزدایی یکی از آخرین اقدامات کنترلی جهت حفظ پایداری سیستم قدرت می‌باشد. از آنجایی که روشهای بارزدایی سنتی تا حدی زمانبر و غیردقیق هستند، در این مقاله یک روش بارزدایی تطبیقی سریع و بهینه به کمک شبکه‌های عصبی برای حل مشکل مزبور ارائه شده است. کل توان تولیدی و نرخ کاهش فرکانس به عنوان ورودیهای شبکه عصبی انتخاب شده‌اند. این روش بر روی سیستم قدرت نیواینگلند تست شده است. نتایج شبیه‌سازی بیانگر قدرت این روش بارزدایی برای حل مشکلات موجود در روشهای بارزدایی سنتی می‌باشد. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  280 - کنترل هماهنگ ادوات FACTS نسل اول با استفاده از شبکه عصبی و به منظور افزایش پایداری گذرا در سیستم‌های قدرت
  مهدی قاسمی علی رضا روستا بهادر فانی
  این مقاله، به منظور افزایش پایداری گذرا و همچنین افزایش میرائی سیستم روشی خاص از هماهنگی بین ادوات FACTS را ارائه می‌دهد. به منظور افزایش عملکرد و استفاده از کلیه ویژگی‌های TCSC و SVC که در این مقاله ارائه گردیده، لازم است کنترل کننده‌ای مورد استفاده قرار گیرد که محدودی أکثر

  این مقاله، به منظور افزایش پایداری گذرا و همچنین افزایش میرائی سیستم روشی خاص از هماهنگی بین ادوات FACTS را ارائه می‌دهد. به منظور افزایش عملکرد و استفاده از کلیه ویژگی‌های TCSC و SVC که در این مقاله ارائه گردیده، لازم است کنترل کننده‌ای مورد استفاده قرار گیرد که محدودیت‌های سایر کنترل کننده‌ها را نداشته و در عین سادگی، قابلیت پاسخگویی سریع و تطبیق با مدل سیستم قدرت را نیز دارا باشد. از این رو این ویژگی‌ها را می‌توان در کنترل کننده‌های هوشمند یافت که شبکه ADALINE از جمله این کنترل کننده‌ها است. برای درک بهتر نسبت به عملکرد کنترل کننده شبکه ADALINE، این کنترل‌کننده با یک کنترل کننده که توسط شاخص کنترل بهینه (LQR) طراحی شده است مقایسه می‌گردد. مدل به کار گرفته شده جهت ادوات FACTS از نوع جریان تزریقی است و به همین دلیل این امکان وجود داشته تا بتوان از یک ماتریسybus فاکتورگیری شده‌ی ثابت در محاسبات استفاده نمود.نتایج شبیه سازی با استفاده از مدل غیرخطی شبکه نشان می‌دهد که کنترل کننده شبکه عصبی ADALINE در مقایسه با کنترل کننده LQR عملکرد بهتری داشته و بهبود قابل توجهی بر روی میرایی و افزایش توان انتقالی در سیستم قدرت را موجب می‌گردد. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  281 - تشخیص اتوماتیک پلاک خودرو فارسی به روش لبه‌یابی با استفاده از شبکه عصبی هاپفیلد
  همایون مهدوی‌ نسب محمدصادق معمارزاده پیمان معلم
  شماره پلاک خودرو یکی از مناسب‌ترین اقلام اطلاعاتی جهت احراز هویت خودرو‌ها می‌باشد. سیستم تشخیص پلاک خودرو یک سیستم مکانیزه است که با عکس گرفتن از خودروها، شماره پلاک آنها را استخراج می‌کند. روشی که در این مقاله ارائه شده است شامل دو قسمت می‌باشد. در قسمت اول با استفاده أکثر

  شماره پلاک خودرو یکی از مناسب‌ترین اقلام اطلاعاتی جهت احراز هویت خودرو‌ها می‌باشد. سیستم تشخیص پلاک خودرو یک سیستم مکانیزه است که با عکس گرفتن از خودروها، شماره پلاک آنها را استخراج می‌کند. روشی که در این مقاله ارائه شده است شامل دو قسمت می‌باشد. در قسمت اول با استفاده از لبه‌یابی و عملیات مورفولوژی محل پلاک شناسایی شده و در قسمت دوم با استفاده از شبکه عصبی هاپفیلد کاراکترها شناسایی می‌شوند. این روش بر روی 700 تصویر مختلف از نظر پس‌زمینه، فاصله و زاویه دید مورد آزمایش قرار گرفته و نرخ استخراج صحیح پلاک %97.8 و همچنین نرخ خواندن صحیح پلاک %93 ارزیابی شده است. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  282 - معرفی نمایه جدید به منظور تشخیص خودکار شدت پیشرفت بیماری آصم با استفاده از سیگنالهای کپنوگرام
  محسن کاظمی آیک هوتو
  در این مقاله یک نمایه جدید به منظور تشخیص خودکار شدت بیماری آصم با استفاده از پردازش سیگنالهای کپنوگرام ارائه شده است. تحقیقات انجام گرفته در گذشته نشان دهنده ارتباط مهمی بین کپنوگرام و بیماری آصم بوده است .هرچند، اغلب آن تحقیقات از روشهای پردازشی حوزه زمان اسفاده کرده أکثر

  در این مقاله یک نمایه جدید به منظور تشخیص خودکار شدت بیماری آصم با استفاده از پردازش سیگنالهای کپنوگرام ارائه شده است. تحقیقات انجام گرفته در گذشته نشان دهنده ارتباط مهمی بین کپنوگرام و بیماری آصم بوده است .هرچند، اغلب آن تحقیقات از روشهای پردازشی حوزه زمان اسفاده کرده بوده و بر این فرضیه استوار بودند که کپنوگرام یک سیگنال ایستان است. در این تحقیق با استفاده از ضرائب پیش بینی خطی (LPC) و روش مدلینگ اتورگرسیو (AR Modelling-Burg Method) سیگنالهای کپنوگرام مورد پردازش قرار گرفته‌اند. با استفاده از نتایج حاصل از این پردازش، تعداد شش ویژگی استخراج شده اند که با استفاده از روشهای آماری مانند ROC, توانایی‌های آنها برای تمایز بیماران آصمی از افراد سالم و همینطور قابلیت آنها برای تشخیص شدت بیماری آصم اثبات شده است. در ادامه با استفاده از به کار بردن این بردار ویژگی در یک شبکه عصبی GRBF, نمایه اشاره شده که همان خروچی این شبکه است، استخراج شده است. این نمایه یک عدد طبیعی بین 1 تا 10 می‌باشد (1 برای افراد سالم و10 نشان دهنده بیمار با شدت آصم ببسیار بالا) که متوسط تشخیص صحیح 90/15 % و خطای 9/85% را داراست. الگوریتم ارائه شده در این پژوهش بر آن دارد که روشی سریع و مقرون به صرفه برای کمک به متخصصان ارائه دهد، چراکه قادر است شدت بیماری آصم را به صورت سریع و خودکار رصد کند. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  283 - شناسایی سیستم غیرخطی چند متغیره مولد بخار نیروگاه با به کار بردن شبکه‌های عصبی تأخیر زمانی ویولت
  لیلا خلیل زاده گنجعلی خانی فرید شیخ‌الاسلام همایون مهدوی نسب
  یکی از مؤثرترین راهکارها برای افزایش راندمان نیروگاه، بهبود سیستم کنترل آن است. برای چنین بهبودی داشتن مدل دقیقی از مولد بخار نیروگاه ضروری است. در این مقاله، یک مولد بخار صنعتی به عنوان یک سیستم غیرخطی چندمتغیره برای شناسایی در نظر گرفته می‌شود. یک گام مهم در شناسایی غ أکثر

  یکی از مؤثرترین راهکارها برای افزایش راندمان نیروگاه، بهبود سیستم کنترل آن است. برای چنین بهبودی داشتن مدل دقیقی از مولد بخار نیروگاه ضروری است. در این مقاله، یک مولد بخار صنعتی به عنوان یک سیستم غیرخطی چندمتغیره برای شناسایی در نظر گرفته می‌شود. یک گام مهم در شناسایی غیرخطی سیستم، گسترش دادن یک مدل غیرخطی است. در سال‌‌های اخیر، شبکه‌های عصبی مصنوعی به طور موفقیت آمیزی در شناسایی سیستم‌های غیرخطی در بسیاری از پژوهش‌ها به کار گرفته شده‌اند. شبکه‌های عصبی ویولت نیز به‌عنوان یک ابزار قدرتمند در شناسایی غیرخطی سیستم به‌کار می‌روند. در این مقاله، برای شناسایی یک مولد بخار صنعتی یک مدل شبکه عصبی تأخیر زمانی و یک مدل شبکه عصبی ویولت ارائه می‌کنیم. نتایج شبیه سازی‌ها نشان دهنده کارایی مدل‌های ارائه شده در شناسایی سیستم مذکور می‌باشند و نشان می‌دهند مدل شبکه عصبی ویولت در تخمین خروجی‌های سیستم دقیق‌تر است. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  284 - Application of hierarchy-fuzzy analysis models and artificial neural networks in locating urban waste burial (Case Study: Lali city)
  Fatemeh Amiri Ladan Khedri Gharibvand Asghar Khedrifar
  10.30495/jonass.2023.1974777.1061
  Background and objective:Today, waste burial is the most common method in many countries due to its lower cost and acceptance of a wider range of waste. In locating the waste landfill, various parameters such as the needs of urban communities, government, and environmen أکثر

  Background and objective:Today, waste burial is the most common method in many countries due to its lower cost and acceptance of a wider range of waste. In locating the waste landfill, various parameters such as the needs of urban communities, government, and environmental laws, and a large number of quantitative and qualitative criteria are evaluated. For this purpose, several multi-criteria decision-making methods are used in prioritizing suitable places.Materials and methods:This study aims to investigate the suitable places to bury urban wastes in Lali city using a hierarchical-fuzzy analysis process (FAHP) along with a spatial information system and artificial neural network. For this purpose, data such as slope, slope direction, geology, land use, fault, precipitation, soil science, topography, vegetation, communication lines, hydrographic networks, wind, underground water level, and population centers as Information layers were used to locate the waste burial. After standardizing and preparing the maps, the steps related to the weighting of the desired layers were carried out to achieve the weight and importance of each in the positioning process. Then, pairwise comparisons were made between the indicators based on fuzzy numbers and using the FAHP technique.Results and conclusion:Considering all the effective factors in locating and weighting each of the criteria and sub-criteria and combining the data with GIS and artificial neural networks, the proposed areas for landfilling according to the direction of the prevailing winds in the region, in the southeast part of the range Studies were considered that the city has the least development in this direction. Whereas, the location of the current waste burial site is located in an inappropriate place in the north of the city and a tourist area. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  285 - پیش‌بینی پارامترهای چسبندگی الیاف فولادی هوک شکل و بتن با استفاده از شبکه‌های عصبی مصنوعی
  امیر ابراهیم اکبری بقال امیر ابراهیم اکبری بقال
  با توجه به اهمیت بکارگیری الیاف فولادی در تقویت بتن، در تحقیق حاضر با استفاده از شبکه‌های عصبی مصنوعی به پیش‌بینی رفتار بیرون کشیدگی الیاف فولادی هوک شکل از بتن پرداخته شده است. به دلیل محدودیت داده‌های جامع آزمایشگاهی، از داده‌های به دست آمده از تحلیل المان محدود به عن أکثر

  با توجه به اهمیت بکارگیری الیاف فولادی در تقویت بتن، در تحقیق حاضر با استفاده از شبکه‌های عصبی مصنوعی به پیش‌بینی رفتار بیرون کشیدگی الیاف فولادی هوک شکل از بتن پرداخته شده است. به دلیل محدودیت داده‌های جامع آزمایشگاهی، از داده‌های به دست آمده از تحلیل المان محدود به عنوان ورودی شبکه عصبی استفاده شده است. به منظور شبیه‌سازی‌ بیرون کشیدگی الیاف از روش المان محدود سه‌بعدی و نرم‌افزار آباکوس استفاده می‌شود. در مدل المان محدود، اندرکنش بین الیاف و بتن با استفاده از مفهوم ناحیه انتقالی سطح مشترک شبیه‌سازی شده است که پارامترهای آن با استفاده از روش المان محدود معکوس و استفاده از نتایج تست تجربی بیرون‌کشیدگی انجام پذیرفته بر روی یک نمونه الیاف به دست آمده است. پس از صحت‌سنجی نتایج مدل عددی با نتایج تجربی، نتایج به ازای پارامترهای مؤثر الیاف استخراج شده و بر اساس آنها مدل‌سازی با استفاده از شبکه‌های عصبی صورت گرفته است. پیش‌بینی نیروی بیرون‌کشیدگی توسط شبکه‌های عصبی مصنوعی چندلایه و الگوریتم آموزش انتشار به عقب، با تکنیک بهینه‌سازی مارکورادت-لونبرگ انجام شده است. نتایج نشان می‌دهد که مدل شبکه عصبی ارائه شده در این تحقیق، به دلیل توانای استفاده از متغیرهای بیشتر در مدل‌سازی و نتایج دقیق‌تر، روشی مؤثر برای پیش‌بینی نیروی بیرون‌کشیدگی الیاف از بتن است. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  286 - طراحی کنترل‌کننده عصبی- فازی تطبیقی آنلاین برای تضعیف پاسخ های لرزه ای سازه بنچمارک ۲۰ طبقه
  رسول ثابت عهد سید آرش موسوی قاسمی رامین وفائی پورسرخابی اردشیر محمدزاده یوسف زندی
  10.30495/civil.2023.698648
  در این مطالعه به طراحی یک کنترل‌کننده تطبیقی قوی و آنلاین در سیستم کنترلی فعال کابلی، جهت غلبه بر ارتعاشات لرزه‌ای در ساختمان‌های چندطبقه‌ای پرداخته می‌شود. در این پژوهش یک کنترل‌کننده عصبی- فازی تطبیقی نوع ۲ جدید پیشنهاد شده که در تمام پارامترهای سیستم نامشخص در نظر گر أکثر

  در این مطالعه به طراحی یک کنترل‌کننده تطبیقی قوی و آنلاین در سیستم کنترلی فعال کابلی، جهت غلبه بر ارتعاشات لرزه‌ای در ساختمان‌های چندطبقه‌ای پرداخته می‌شود. در این پژوهش یک کنترل‌کننده عصبی- فازی تطبیقی نوع ۲ جدید پیشنهاد شده که در تمام پارامترهای سیستم نامشخص در نظر گرفته می شود. از شبکه ی عصبی پیشخور چندلایه برای استخراج ژاکوبین و تخمین مدل سیستم سازه‌ایاستفاده می‌شود. سپس، مدل تخمین زده شده بر روی کنترل‌کننده به صورت آنلاین اعمال می شود. برای تنظیم نیروی کنترلی اعمال شده به سیستم کابلی و دستیابی به اهداف کنترلی، پارامترهای کنترل کننده به طور تطبیقی با استفاده از فیلتر کالمن توسعه یافته و الگوریتم پسانتشار خطا آموزش داده می شوند. در این روش از یک کنترل‌کننده PID نیز استفاده شده که منجر به استحکام و پایداری سیستم کنترل‌کننده پیشنهادی در برابر ارتعاشات لرزه‌ای می‌شود. همچنین جهت نشان‌دادن برتری سیستم کنترل‌کننده پیشنهادی از یک کنترل‌کننده تطبیقی ساده و آنلاین نیز استفاده می‌شود. این کنترل‌کننده که به‌عنوان مدل مرجع ضمنی است از فیلتر کالمن توسعه‌یافته برای تنظیم آنلاین پارامترهای کنترل‌کننده به‌عنوان یک نوآوری جدید استفاده می‌شود. در این تحقیق عملکرد هر دو کنترل‌کننده تحت تحریکات لرزه ای میدان دور و میدان نزدیک گسل بررسی می‌شود. بر اساس نتایج عددی به‌دست‌آمده، کنترل‌کننده عصبی- فازی تطبیقی نوع ۲ در به‌ حداقل‌ رساندن پاسخ‌های لرزه‌ای سازه در هنگام زلزله و رسیدن به اهداف کنترلی زمانی که ویژگی‌های پارامتری سازه تغییر می‌کند، در مورد نسبت دریفت بین طبقه‌ای تا ۲۱ درصد بهتر از کنترل‌کننده تطبیقی ساده آنلاین عمل می‌کند. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  287 - کنترل تطبیقی سازه مبنای 3 طبقه مجهز به میراگر MR با استفاده از کنترل‌کننده مقاوم مرتبه کسری
  ام گلثوم جعفرزاده سید آرش موسوی قاسمی سیدمهدی زهرائی اردشیر محمدزاده رامین وفایی پورسرخابی
  10.30495/civil.2023.702326
  در این مطالعه، هدف پیشنهاد یک کنترل‌کننده PID مرتبه کسری تطبیقی است که پارامترهای آن به‌صورت آنلاین توسط پنج شبکه عصبی پرسپترون چندلایه با استفاده از فیلتر کالمن توسعه‌یافته تنظیم می‌شود. یک شبکه عصبی MLP که از طریق الگوریتم پس انتشار خطا آموزش داده شده است برای شناسایی أکثر

  در این مطالعه، هدف پیشنهاد یک کنترل‌کننده PID مرتبه کسری تطبیقی است که پارامترهای آن به‌صورت آنلاین توسط پنج شبکه عصبی پرسپترون چندلایه با استفاده از فیلتر کالمن توسعه‌یافته تنظیم می‌شود. یک شبکه عصبی MLP که از طریق الگوریتم پس انتشار خطا آموزش داده شده است برای شناسایی سیستم سازه ای و تخمین پلنت در نظر گرفته می‌شود. ژاکوبین مدل تخمین زده شده به صورت آنلاین برای اعمال به کنترل کننده استفاده می گردد. از آنجایی که جبرانساز شبکه‌های عصبی فازی نوع ۲ که توسط EKF و استراتژی یادگیری خطای بازخورد تنظیم شده است، پایداری و استحکام این کنترل‌کننده در برابر خطای تخمین، اختلالات لرزه‌ای و برخی توابع غیرخطی ناشناخته افزایش می‌یابد. به منظور اعتبارسنجی، عملکرد کنترل کننده پیشنهادی بر روی سازه مبنا غیرخطی 3 طبقه مجهز به میراگر نیمه فعال تحت زلزله های حوزه دور و نزدیک بررسی می شود. به منظور بررسی و اثربخشی کنترل کننده پیشنهادی مجهز به جبران کننده در کاهش پاسخ های لرزه ای، شاخص های ارزیابی مورد بحث و با کارهای قبلی مقایسه گردیدند. نتایج بیانگر آن است که کنترل کننده FOPID تطبیقی پیشنهادی عملکرد بهتری را نسبت به سایر کنترلرها داشته و بطوری که شاخص J2 در زلزله هاچینو با شدت 1.5، تا مقدار 35 درصد نسبت به دیگر کنترل کننده ها بهبود را تجربه کرده است و این میزان در زلزله نورثریج به بیش از 40 درصد نیز می رسد. دیگر شاخص ها ( J3 تا J6) نیز با استفاده از کنترل کننده پیشنهادی، بهبود قابل ملاحظه ای را تجربه کرده اند. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  288 - A Hybrid model based on neural network and Data Envelopment Analysis model for Evaluation of unit Performance
  صادق حیدری احسان زنبوری حمید پروین
  Efficiency and evaluation is one of the main and most important demands of organizations, companies and institutions. As these organizations deal with a large amount of data, therefore, it is necessary to evaluate them on the basis of scientific methods to improve their أکثر

  Efficiency and evaluation is one of the main and most important demands of organizations, companies and institutions. As these organizations deal with a large amount of data, therefore, it is necessary to evaluate them on the basis of scientific methods to improve their efficiency. Data envelopment analysis is a suitable method for measuring the efficiency and performance of organizations. This paper has been conducted to evaluate the performance and efficiency of decision making units. First, using the data envelopment analysis, the BCC output oriented model, these units are ranked and the shortcoming of the model in terms of efficacy measurement and separation are determined. Then, to overcome such problems, a combined method of data envelopment analysis; the BCC output oriented model and artificial neural network are used to evaluate the efficiency of these units and finally the results of the two models are compared.Given the efficiency obtained with the BCC output oriented method, it was observed that the amount of efficiency for some units which leads for these units not to be ranked but using the proposed NEURO-DEA method, no two units have the same efficiency and given the obtained efficiency, these units can be evaluated and ranked. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  289 - A Recurrent Neural Network Model for solving CCR Model in Data Envelopment Analysis
  معصومه عباسی عباس قماشی
  In this paper, we present a recurrent neural network model for solving CCR Model in Data Envelopment Analysis (DEA). The proposed neural network model is derived from an unconstrained minimization problem. In the theoretical aspect, it is shown that the proposed neural أکثر

  In this paper, we present a recurrent neural network model for solving CCR Model in Data Envelopment Analysis (DEA). The proposed neural network model is derived from an unconstrained minimization problem. In the theoretical aspect, it is shown that the proposed neural network is stable in the sense of Lyapunov and globally convergent to the optimal solution of CCR model. The proposed model has a single-layer structure. A numerical example shows that the proposed model is effective to solve CCR model in DEA. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  290 - An Artificial Neural Network Method to Predict the COVID-19 Cases in Iran
  Meisam Shamsi رضا بابازاده Mohsen Varmazyar
  The sudden emergence of a Coronavirus and its rapid spread due to the globalization factors, especially the airline network, provoked the reaction of countries. Governments attempt to use all available means, including prediction methods, to control the spread of the Co أکثر

  The sudden emergence of a Coronavirus and its rapid spread due to the globalization factors, especially the airline network, provoked the reaction of countries. Governments attempt to use all available means, including prediction methods, to control the spread of the Coronavirus. In this article, we have developed various models based on artificial neural networks, including multi-layer perceptron, radial basis function, and adaptive-network-based fuzzy inference system with different learning algorithms, transfer functions, membership functions, hidden layers, hidden neurons, and kernels. We have identified five factors influencing the Coronavirus outbreak based on the Pearson correlation coefficient approach. These factors are gasoline consumption, internet pressure, number of wedding ceremonies, online transactions, and mask consumption. The accuracy of the developed models is identified by calculating three types of statistical errors, including root mean square error, mean absolute error, and mean absolute percentage error. The results show that the radial basis function model predicts the number of Covid-19 cases for the one month (mid-term) with an accuracy of over 97%. This study provides an efficient approach to predict the number of COVID-19 cases which help policymakers to make strategic decisions, including closing borders, designing supply chains for medical and health equipment, and enacting new laws. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  291 - Prediction of Egg Production Using Artificial Neural Network
  S. Ghazanfari K. Nobari M. Tahmoorespur
  Artificial neural networks (ANN) have shown to be a powerful tool for system modeling in a wide range of applications. The focus of this study is on neural network applications to data analysis in egg production. An ANN model with two hidden layers, trained with a back أکثر

  Artificial neural networks (ANN) have shown to be a powerful tool for system modeling in a wide range of applications. The focus of this study is on neural network applications to data analysis in egg production. An ANN model with two hidden layers, trained with a back propagation algorithm, successfully learned the relationship between the input (age of hen) and output (egg production) variables. High R2 and T for ANN model revealed that ANN is an efficient method of predicting egg production for pullet and hen flocks. We also estimated ANN parameters of a number of eggs on four data sets of individual hens. By increasing the summary intervals to 2 wk, 4 wk and then to 6 wk, ANN power was increased for prediction of egg production. The results suggested that the ANN model could provide an effective means of recognizing the patterns in data and accurately predicting the egg production of laying hens based on investigating their age. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  292 - Estimating Heritabilities and Breeding Values for Real and Predicted Milk Production in Holstein Dairy Cows with Artificial Neural Network and Multiple Linear Regression Models
  M. Nosrati S.H. Hafezian M. Gholizadeh
  The success of a dairy herd depends on milk production. Prediction of future records can reduce recording time, accelerate the computation of genetic evaluations, decrease generation interval, and increase genetic progress. Multiple linear regression (MLR) is the most c أکثر

  The success of a dairy herd depends on milk production. Prediction of future records can reduce recording time, accelerate the computation of genetic evaluations, decrease generation interval, and increase genetic progress. Multiple linear regression (MLR) is the most common prediction method. However, artificial neural networks (ANN) can handle complex linear and non-linear functions to solve a wide range of prediction problems. In this study, MLR and ANN models were applied to the prediction of 305-day milk production in the first and second lactations of dairy cows using variables related to milk production, test-day records and estimated breeding values (EBVs). The 305-day first lactation records were also used to predict 305-day second lactation records. ANN and MLR predictions were compared in terms of accuracy and efficiency. Dairy records from 7856 dairy cows in two herds were used in this research. The best ANN model was a multilayer perceptron with a back-propagation learning algorithm. Results showed that ANN and MLR predicted values were acceptable. However, ANN prediction accuracies for 305-day milk production in the first and second lactations were higher than those of MLR. Correlation coefficients between real and predicted 305-day milk production records in the first and second lactations ranged from 0.88 to 0.96 for ANN and from 0.66 to 0.89 for MLR. Adding test-day records and EBVs for 305-day milk production in the first lactation to the set of independent variables used to predict 305-day milk production in the second lactation increased more the prediction efficiency of ANN than MLR. Thus, ANN could be used to decrease the interval between collecting records and computing animal breeding values. In addition, real data and ANN-predicted data from the first lactation were used to compute EBVs. The correlation between EBVs with real and predicted data was 0.93. Results suggested that ANN could be useful for predicting complex traits using high dimensional genomic information. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  293 - Curl Size and Pelt Color Determination of Zandi Lambs Using Image Processing and Artificial Neural Network
  م. خجسته کی ع.ا. اسلمی نژاد ع.ر. جعفری اروری
  In this study, a method based on using image processing and artificial neural network is introduced to determine pelt color and curl size of newborn lambs in Zandi sheep. The data was collected from 300 newborn lambs reared in the Zandi sheep breeding centre of Khojir, أکثر

  In this study, a method based on using image processing and artificial neural network is introduced to determine pelt color and curl size of newborn lambs in Zandi sheep. The data was collected from 300 newborn lambs reared in the Zandi sheep breeding centre of Khojir, Tehran. Primarily, curl size and pelt color of new born lambs was recorded by experienced appraisers, and at the same time, several digital images were captured from the lateral side of each lamb. The features related to curl size and pelt color of lambs were extracted from digital images using image processing tools (IPT) of MATLAB software. To determining the pelt color, to classifying the pelts for curl size, and to estimating the curl size of pelt, three artificial neural networks were designed. The pelt color of the lambs was determined using an artificial neural network with a precision of 100%. The accuracy of the neural network which trained to classify the pelts on their curl size was 94.87%. The accuracy of the third neural network to estimate the curl size of pelts was 98.44%. The correlation between the curl size estimated using the artificial neural network and the curl size which measured by appraisers was 96.4% (P<0.01). The results of this study showed that there is a potential to use artificial intelligence as a substitute for human assessments in the recording of pelt traits. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  294 - Application of Linear Regression and Artificial NeuralNetwork for Broiler Chicken Growth Performance Prediction
  ش. غضنفری
  This study was conducted to investigate the prediction of growth performance using linear regression and artificial neural network (ANN) in broiler chicken. Artificial neural networks (ANNs) are powerful tools for modeling systems in a wide range of applications. The AN أکثر

  This study was conducted to investigate the prediction of growth performance using linear regression and artificial neural network (ANN) in broiler chicken. Artificial neural networks (ANNs) are powerful tools for modeling systems in a wide range of applications. The ANN model with a back propagation algorithm successfully learned the relationship between the inputs of metabolizable energy (kcal/kg) and crude protein (g/kg) and outputs of feed intake, weight gain and feed conversion ratio variables. High R2 and T values for the ANN model in comparison to linear regression revealed that the artificial neural network (ANN) is an efficient method for growth performance prediction in the starter period for broiler chickens. This study also focused on expanding the experiment with more levels of inputs to predict outputs the using best ANN model. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  295 - Comparison of Artificial Neural Network and Regression Models for Prediction of Body Weight in Raini Cashmere Goat
  م. خورشیدی-جلالی م.ر. محمدآبادی ع. اسمعیلی‌زاده ا. برازنده ُ.ا. بابنکو
  The artificial neural networks (ANN) are the learning algorithms and mathematical models, which mimic the information processing ability of human brain and can be used to non linear and complex data. The aim of this study was to compare artificial neural network and reg أکثر

  The artificial neural networks (ANN) are the learning algorithms and mathematical models, which mimic the information processing ability of human brain and can be used to non linear and complex data. The aim of this study was to compare artificial neural network and regression models for prediction of body weight in Raini Cashmere goat. The data of 1389 goats for body weight, height at withers (HAW), body length (BL) and chest girth (CG) were used. Different regression models with all fixed factors were calculated for the most possible states and with different degrees and two artificial neural networks with different hidden layers, learning functions and transform functions were used. Finally, Multilayer perceptron model with one hidden layer along with neurons was selected and used. Correlation between body weight and its measurements showed that it is possible to use body measurements for prediction of body weight though prediction of body weight can be improved when more measurements are used. Based on R2 andmean square error (MSE) parameters, the best fitted regression equation for prediction of body weight using body measurements was selected. While all three measurements had a significant effect in the model (P<0.0001), height at wither had the highest correlation coefficient (0.65), hence may have the greatest effect on prediction. Comparing two models indicated that both models can predict body weight well and near to actual body weight, but the capability of artificial neural network model is higher (R2=0.86 for ANN and 0.76 for multiple regression analysis (MRA)) and closer to actual body weight. However, if more related measurements are recorded, ANN can give the desirable results. Therefore, it is possible to apply artificial neural networks, instead of customary procedures for prediction of actual body weight using body measurements. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  296 - Application of Mathematical Models to Estimate Metabolizable Energy Contents of Energetic Concentrate Feedstuffs for Poultry
  M. Sedghi K. Tayebipoor B. Poursina M. Eman Toosi P. Soleimani Roudi
  A study using 51 wheat, 56 barley and 34 oat grain samples was conducted to investigate the feasibility of predicting the apparent metabolizable energy (AME) value of these cereals for poultry. Stepwise regression analyses were performed to evaluate the relationship of أکثر

  A study using 51 wheat, 56 barley and 34 oat grain samples was conducted to investigate the feasibility of predicting the apparent metabolizable energy (AME) value of these cereals for poultry. Stepwise regression analyses were performed to evaluate the relationship of AME with starch, ether extract (EE), crude fiber (CF), soluble sugar (SS), ash and crude protein (CP) (for wheat and barley grain samples) or dry matter (DM), CF, ash and CP (for oat grain samples) as independent variables. According to the stepwise regression analyses, SS, CF and ash for wheat, CF, EE and starch for barley and CF and CP for oat were found to be useful predictors for AME prediction. Also, multiple linear regression (MLR) and artificial neural network (ANN) methods were developed to find the best models which can estimate the AME content of these cereals. Mean square deviation, Mean square variation and their components were used to evaluate the performance of MLR and ANN models. The results showed that AME of wheat can be predicted by SS, CF and ash. The CF, EE and starch are good independent variables to estimate AME content of barley samples. Also, CF and CP are good predictor parameters for AME prediction in oat samples. In case of model performance, the accuracy of the ANN model was stronger than MLR. Based on these results, it was concluded that the use of chemical composition in combination with the ANN model is a promising method to predict AME of wheat, barley and oat grain samples in poultry nutrition. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  297 - Performance of Artificial Neural Networks Model under Various Structures and Algorithms to Prediction of Fat Tail Weight in Fat Tailed Breeds and Their Thin Tailed Crosses
  ک. نوبری S.D. Sharifi N. Emam Jomea Kashan M. Momen A. Kavian
  Today’s large fat tail lost its importance because of rearing condition and consumers’ demands. Therefore, recording fat tail weight on live animals is important to selecting animals for reduced fat tail weight. The study was conducted to predict the fat tai أکثر

  Today’s large fat tail lost its importance because of rearing condition and consumers’ demands. Therefore, recording fat tail weight on live animals is important to selecting animals for reduced fat tail weight. The study was conducted to predict the fat tail weight of five different genetic groups of lambs obtained from a mating system between fat-tailed and thin-tailed parents. An Artificial Neural Networks (ANN) procedure was used for prediction performance of different structures (40 levels) and algorithms (5 levels). Eight measurements, including birth type (2 levels), sex (2 levels), breed composition (5 levels), live body weight and four morphological assessments were used as ANN model’s inputs. The results showed that ANN model with adequate structure and algorithm can accurately predict the tail weights and compositions of the studied breeds. Our results indicate that with increase of neurons in first hidden layers, the prediction accuracies were increase dramatically. Back propagation algorithm (BP) was the best algorithm with higher stable R2 and lower stable root mean squire error (RMSE) in different structures. BP algorithm with 4 and 2 neurons in the first and second hidden layer, respectively, had more ability to predict fat-tail weight in different genetic groups. Best ANN model provided 0.962, 0.997 and 0.988 R2 values and 338.156, 43.689 and 117.306 of RMSE for testing, training and the overall data sets, respectively. The study showed that, an ANN model based on the BP algorithm, have high potential to predict fat-tail weight as an important economic trait in sheep rearing systems. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  298 - Comparison of Artificial Neural Network and Multiple Regression Analysis for Prediction of Fat Tail Weight of Sheep
  م.ع. نوروزیان م. وکیلی علویجه
  A comparative study of artificial neural network (ANN) and multiple regression is made to predict the fat tail weight of Balouchi sheep from birth, weaning and finishing weights. A multilayer feed forward network with back propagation of error learning mechanism was use أکثر

  A comparative study of artificial neural network (ANN) and multiple regression is made to predict the fat tail weight of Balouchi sheep from birth, weaning and finishing weights. A multilayer feed forward network with back propagation of error learning mechanism was used to predict the sheep body weight. The data (69 records) were randomly divided into two subsets. The first subset is the training set comprising of 75 percent data (52 records) to build the neural network model and test data set comprising of 25 percent (17 records), which is not used during the training and is used to evaluate performance of different models. The mean relative error was significantly (P<0.01) lower for ANN than the MLR model. The coefficient of determination (R2) values computed for the body measurements were generally higher (0.93) using ANN model than themultiple linear regression (MLR) model (0.81). The ANN model improved the mean squared error (MSE) of the MLR model by 59% and R2 by 15% that the ANN represents a valuable tool for predicting of lamb fat tail weight from birth, weaning and finishing weights. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  299 - برآورد تبخیر از تشت تبخیر ایستگاه سد تنظیمی دز با استفاده از روش شبکه عصبی مصنوعی
  مهدی نجفوند دریکوندی حسین اسلامی
  بیشتر بارندگی مناطق خشک و نیمه خشک بصورت تبخیر به جو باز می گردد پس تخمین تبخیر دربرآورد میزان آب در چرخه آب مهم خواهد بود. تبخیر وابسته به پارامترهای مختلفی است و برای برآورد آن نیاز به متغیرهای اقلیمی متفاوتی است و اثر متقابل این متغیرها بسیار پیچیده است لذا در بررسی أکثر

  بیشتر بارندگی مناطق خشک و نیمه خشک بصورت تبخیر به جو باز می گردد پس تخمین تبخیر دربرآورد میزان آب در چرخه آب مهم خواهد بود. تبخیر وابسته به پارامترهای مختلفی است و برای برآورد آن نیاز به متغیرهای اقلیمی متفاوتی است و اثر متقابل این متغیرها بسیار پیچیده است لذا در بررسی آن باید روشهای دقیقی را بکار گرفت. در این تحقیق برای برآورد تبخیر از تشت ایستگاه سد تنظیمی دز از روش شبکه عصبی مصنوعی استفاده شد. بطوریکه روش شبکه عصبی مصنوعی با تابع محرک تانژانت هایپربولیک و قانون یادگیری مومنتم استفاده شد. ساختار مورد استفاده یک شبکه چندلایه پرسپترون بوده که از 6 نورون ورودی، 3 لایه پنهان و یک نورون خروجی تشکیل شده بود. لایه‌های ورودی شامل دمای حداکثر، دمای حداقل، ساعات آفتابی، میانگین سرعت باد، میانگین درصد رطوبت نسبی و برای لایه خروجی میزان تبخیر از سطح آزاد آب بود. بررسی همبستگی بین عوامل اقلیمی نشان داد که میانگین دمای هوا اثر بیشتری بر میزان تبخیر سطحی نسبت به ساعات آفتابی و سرعت باد دارد. ضریب تعیین بالا (0/92) بین داده‌های واقعی با داده‌های شبیه‌سازی شده با شبکه عصبی مصنوعی به‌علاوه میزان خطای اندک (RMSE = 1.41) نشان داد که مدل از دقت بسیار بالایی در برآورد برخوردار است. صحت سنجی توسط تی تست نیز حاکی از عدم معنی‌دار بودن (P>0.01) اختلاف میان مقادیر واقعی و برآورد شده بود. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  300 - بهبود دقت روش هارگریوز در برآورد تبخیر- تعرق مرجع به کمک ضریب اصلاحی با مدل شبکه عصبی مصنوعی و درخت تصمیم M5
  امید محترمی سید محمدرضا حسینی روح الله فتاحی تیمور سهرابی
  تبخیر- تعرق یکی از مهم ترین اجزای چرخه هیدرولوژی است که مدلسازی آن در مدیریت منابع آب نقش مهمی دارد. در تحقیق حاضر امکان بهبود دقت برآورد تبخیر- تعرق روش هارگریوز به کمک ضریب اصلاحیK با استفاده از مدل شبکه عصبی مصنوعی و مدل درخت تصمیم M5 مورد بررسی قرار گرفت. این ضریب ب أکثر

  تبخیر- تعرق یکی از مهم ترین اجزای چرخه هیدرولوژی است که مدلسازی آن در مدیریت منابع آب نقش مهمی دارد. در تحقیق حاضر امکان بهبود دقت برآورد تبخیر- تعرق روش هارگریوز به کمک ضریب اصلاحیK با استفاده از مدل شبکه عصبی مصنوعی و مدل درخت تصمیم M5 مورد بررسی قرار گرفت. این ضریب برابر با نسبت تبخیر- تعرق مدل پنمن مونتیث فائو به روش هارگریوز می باشد. داده های مورد استفاده این تحقیق عبارت از دمای حداکثر و حداقل و رطوبت نسبی در بازه ی زمانی 2013-2004 از ایستگاه فرخشهر و فرودگاه در منطقه ی خشک سرد شهرکرد می باشد. شبکه طراحی شده یک شبکه پرسپترون چند لایه با الگوریتم آموزشی لونبرگ مارکوات و تابع تانژانت سیگموئید در لایه پنهان می باشد. مدل درخت تصمیمم به کمک نرم افزار WEKA طراحی گردید. نتایج نشان می دهد که شبکه عصبی و مدل درخت تصمیمم عملکرد خوبی در مدلسازی ضریب اصلاحی دارند، ولی عملکرد مدل شبکه عصبی دقیق تر است. نتایج نشان داد که قبل از استفاده از ضریب اصلاحی دقت مدل هارگریوز RMSE=0.90 (ریشه میانگین مربعات خطا) نسبت به روش پنمن مونتیث فائو بود که این مقدار بعد از استفاده از ضریب اصلاحی به کمک شبکه عصبی به RMSE=0.69 و با از استفاده از ضریب اصلاحی به کمک درخت تصمیمم به RMSE=0.72 رسید. به طور کلی نتایج نشان داد که بعد از استفاده از ضریب اصلاحی عملکرد مدل هارگریوز بهبود یافته است. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  301 - استفاده از شبکه عصبی مصنوعی در تعیین دبی سریز سد مارون
  ابراهیم نوحانی ولی الله پرتویی ضیا
  برای اندازه‌گیری دقیق‌تر جریان آب، همواره سعی شده است تا حد امکان سازه‌های با نقص کمتر و دقت بالاتر طراحی شود. سرریز و دریچه ازجمله سازههایی هستند که همواره برای اندازهگیری میزان جریان آب، به‌صورت گسترده مورد استفاده قرار می‌گیرند امروزهصبی مصنوعی بر مبنای استفاده از دا أکثر

  برای اندازه‌گیری دقیق‌تر جریان آب، همواره سعی شده است تا حد امکان سازه‌های با نقص کمتر و دقت بالاتر طراحی شود. سرریز و دریچه ازجمله سازههایی هستند که همواره برای اندازهگیری میزان جریان آب، به‌صورت گسترده مورد استفاده قرار می‌گیرند امروزهصبی مصنوعی بر مبنای استفاده از دانش نهفته بین متغیرهای ورودی و خروجی یک مسئله، بدون دسطح آزاد آب و درصد آب‌گذری و پارامتر خروجی دبی سریز سد مخزنی می‌باشد. مدل‌های مورد استفاده در شبکههای عصبی مصنوعی شامل شبکههای پیشخور (FF)، شبکه المان جردن (JEN)، با مقایسه‌ی نتایج حاصل از مدل‌های شبکه‌های عصبی مصنوعی تکاملی با مقادیر آزمون اندازه‌گیری شده مشخص گردید که مدل MLP نسبت به سایر مدل‌ها از دقت و توانایی بیشتری در تعیین دبی سد مخزنی مارون، برخوردار است. همچنین ضریب رگرسیونی(R2) این مدل در سه مرحله آموزش، اعتباریابی و آزمون برابر 942/0، 9479/0 و 9468/0 و شیب خط راست برابر 9413/0، 9287/0 و 9564/0 می‌باشد که بیانگر انعطاف‌پذیری و دقت بالای مدل است. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  302 - بررسی و مقایسه عملکرد تکنیکهای هوشمند نوین، درشبیه سازی نیترات آب زیرزمینی
  جعفر سراجی
  امروزه با توجه به خشکسالی های اخیر، یکی از اصلی ترین منابع تامین آب شرب در کشور، منابع زیرزمینی هستند و از طرفی نیترات یکی از مهم‌ترین آلاینده‌های منابع آب زیرزمینی می باشد، که اثرات نامطلوبی بر سلامت افراد دارد. پژوهش حاضر در صدد مقایسه و ارائه تکنیکی کارآمد و نوین جهت أکثر

  امروزه با توجه به خشکسالی های اخیر، یکی از اصلی ترین منابع تامین آب شرب در کشور، منابع زیرزمینی هستند و از طرفی نیترات یکی از مهم‌ترین آلاینده‌های منابع آب زیرزمینی می باشد، که اثرات نامطلوبی بر سلامت افراد دارد. پژوهش حاضر در صدد مقایسه و ارائه تکنیکی کارآمد و نوین جهت شبیه سازی وپیش بینی نیترات در این منابع می باشد. بنابراین سه تکنیک شبکه عصبی مصنوعی (ANN)وسیستم استنتاج عصبی – فازی(ANFIS) و ماشین بردارپشتیبان(SVM) درشبیه سازی به عنوان ابزاری مبتنی بر داده مقایسه میشود. شبیه سازی بر اساس نمونه های مشاهداتی از چاه های موردنظردر آبخوان مورد مطالعه طی 13سال صورت گرفته و بازه زمانی مدلسازی، ماهانه انتخاب شده است. تخمین زننده ها شبیه سازی مدل شامل منیزیم(Mg) ، بیکربنات(Hco3) ، کلسیم(Ca) ، سدیم(Na میباشند. نخست شبیه سازی هرتکنیک بصورت مجزا، روی آرایشهای مختلف انجام میشود. بر اساس نتایج حاصل از معیارهای ارزیابی سیستم نروفازی با ضریب همبستگی9978/0 R2= و 0002/0 MSE= از قابلیت و توانایی مناسبتری برخوردار میباشد. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  303 - توسعه مدل هیبریدی موجکی در برآورد خشکسالی‌های منطقه‌ای حوضه آبریز سیمینه رود
  عرفان رستم زاده علیرضا پرویشی
  در مطالعه حاضر خشکسالی حوضه آبریز سیمنه‌رود به وسیله مدلهای هوشمند ماشین بردار پشتیبان (SVM)، شبکه عصبی مصنوعی (ANN) و تئوری موجک (W) مورد بررسی قرار گرفت. از دادههای شش ایستگاه باران‌سنجی در منطقه استفاده و شاخص خشکسالی در چهار مقیاس زمانی محاسبه گردید. همچنین خود همبس أکثر

  در مطالعه حاضر خشکسالی حوضه آبریز سیمنه‌رود به وسیله مدلهای هوشمند ماشین بردار پشتیبان (SVM)، شبکه عصبی مصنوعی (ANN) و تئوری موجک (W) مورد بررسی قرار گرفت. از دادههای شش ایستگاه باران‌سنجی در منطقه استفاده و شاخص خشکسالی در چهار مقیاس زمانی محاسبه گردید. همچنین خود همبستگی مرتبه اول به عنوان تاخیر بهینه انتخاب شد. سپس ساختار مناسب شبکه عصبی مصنوعی با استفاده از روش آزمون و خطا تعیین و ضرایب سه‌گانه مدل SVM نیز مشخص و مدلسازی انجام شد. نتایج ارزیابی مدلهای منفرد نشان داد که تفاوت معنی داری بین دو روش در پیش‌بینی خشکسالیها وجود ندارد. در ادامه مدلهای هیبریدی WANN و WSVMتهیه شدند. نتایج نشان داد کاربست تئوری موجک عملکرد مدلهای منفرد را بسیار بهبود داده و مقدار شاخصهای RMSE و MAE به ترتیب 19٪ و 21٪ کاهش و ضریب همبستگی 30٪ افزایش داشته و مدل W(L2)SVM برای پیشبینی خشکسالی‌های حوضه آبریز سیمینه‌رود پیشنهاد گردید. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  304 - توسعه و پیاده‌سازی روش تحلیل مؤلفه‌های اصلی جهت پایش وضعیت توربین گازی
  سمیرا پیری الهام قنبری
  10.30495/jmemiau.2023.707350
  توربین های گازی ماشین های پیچیده و گران قیمتی هستند که هزینه های تعمیر خرابی های پیش‌بینی‌نشده‌ی آن‌ها بالاست. حس‌گرهای سامانه ی کنترلی توربین های گازی به‌طور پیوسته داده های زیادی را گزارش می کنند که ثبت و جمع آوری مقادیر آن‌ها، تشکیل داده های حجیم را می دهند. با داده أکثر

  توربین های گازی ماشین های پیچیده و گران قیمتی هستند که هزینه های تعمیر خرابی های پیش‌بینی‌نشده‌ی آن‌ها بالاست. حس‌گرهای سامانه ی کنترلی توربین های گازی به‌طور پیوسته داده های زیادی را گزارش می کنند که ثبت و جمع آوری مقادیر آن‌ها، تشکیل داده های حجیم را می دهند. با داده کاویِ داده هایِ حجیمِ توربین گازی، می توان عیب و خرابی توربین را قبل از رخداد پیش بینی نمود. مجموعه ی ماتریسِ داده های تحقیق حاضر، حاصل ثبت و تجمیع مقادیر برخی از حس‌گرهای نصب‌شده بر روی توربین گاز فریم 9 یکی از نیروگاه های کشور هست. در این پژوهش پس از نرمالیزه کردن داده های ماتریس، سطرهای ماتریس بر حسب سالم یا معیوب بودن برچسب گذاری شدند. سپس با بهره گیری از تکنیک مؤلفه‌های اصلی، ابعاد ماتریسِ داده، از هفت بُعد به چهار بُعد کاهش داده شد و ویژگی های اصلی آن استخراج گردید. پس از یادگیریِ ماشین که بر روی 80% داده ها انجام گرفت معیار دقت، میزان خطا و همگرایی مدل برای کاهش های ابعادی مدل از دو تا شش بُعد بر روی 20% داده ها مورد مطالعه قرار گرفت که در نهایت مشخص گردید علاوه بر اینکه مدل ساخته شده به‌خوبی از پس کاهش ابعاد ماتریس، استخراج ویژگی ها با کمک تکنیک تحلیل مؤلفه‌های اصلی برآمده همچنین توانسته با تکنیک شبکه عصبی مصنوعی وقوع عیب را شناسایی و همچنین کلاس عیب را تشخیص دهد. مدل ساخته شده با تلفیق تکنیک تحلیل مؤلفه‌های اصلی با تکنیک شبکه مصنوعی عصبی توانسته دقتی بیش از 90% و با دقت خوب و بیشترین میزان همگرایی ماتریس داده ها را نمایش دهد و کلاس عیب توربین را مشخص نماید. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  305 - Applying Adaptive Network-based fuzzy Inference System to Predict Travel Time in Highways for Intelligent Transportation Systems
  Rouhollah Maghsoudi Behzad Moshiri
  Travel time is a good criterion in analyzing transportation systems. There are two ways to calculate travel time: direct measurement, and prediction. Several classic statistical ways have been used to predict travel time, but when non linear nature is focused, developin أکثر

  Travel time is a good criterion in analyzing transportation systems. There are two ways to calculate travel time: direct measurement, and prediction. Several classic statistical ways have been used to predict travel time, but when non linear nature is focused, developing a proper model with multiple linear will be a failure. This means that when data have a nonlinear inherent, using of linear methods such as some statistics methods will not be benefit and will not generate appropriate results. Meanwhile, ANN and ANFIS are nonlinear tools. Intelligent systems approaches such as artificial neural networks (ANN) and recently neuro-fuzzy have successfully appeared in prediction. In most applications of ANN, multilayer perceptron (MLP) is applied which is trained by the algorithm of back propagation error. The main problem of this approach is that it is hard to interpret the knowledge in the trained networks. Applying neuro-fuzzy approach, information saved in trained networks will be defined within a fuzzy data base. The aim of present research is to offer a strong neuro-fuzzy network and apply it to predict travel time and compare its results with methods like ANN and AIMSUN. Our results indicate that means for neuro-fuzzy prediction remarkably decrease the error criteria of predicted travel time. This research proves the possibility of applying Anfis in predicting travel time, and reveals that it can make very successful analysis on traffic data. To study credibility of prediction results, AIMSUN was applied and freeway travel time was studied and calculated by simulation. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  306 - An Efficient Model for Lip-reading in Persian Language Based on Visual Word and Fast Furrier Transform Combined with Neural Network
  Khadijeh Mirzaei Talarposhti Mehrzad Khaki Jamei
  Automatic lip-reading plays an important role in human computer interaction in noisy environments where audio speech recognition may be difficult. However, similar to speech recognition, lip-reading systems also face several challenges due to variances in the inputs, su أکثر

  Automatic lip-reading plays an important role in human computer interaction in noisy environments where audio speech recognition may be difficult. However, similar to speech recognition, lip-reading systems also face several challenges due to variances in the inputs, such as with facial features, skin colors, speaking speeds, and intensities. In this study a new method has been proposed for extracting features from a video containing a certain Persian words without any audio signal. The method is based on the fast furrier transform combined with the color specification of the frames in the recorded video of the spoken word. To improve the system performance visual word has been used as the shortest element of visual speech. Five speaker, three men and two women, have participated for capturing the videos of the spoken words. After obtaining features from the videos an artificial neural network has been employed as classifier. The experimental results show the average accuracy about 86.8% in recognition 31 Persian words تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  307 - Neural Network Model Based on The Control for Transient Stability and Low-Frequency Oscillation in Power System Operation
  Amir Bagheran Sharbaf Ali Asghar Shojaei
  Flexible AC Transmission System (FACTs) devices are used in power transmission networks to increase maximum power transmission and stability. On the one hand, they help to damp low-frequency oscillations for both local and internal areas. But on the other, the design of أکثر

  Flexible AC Transmission System (FACTs) devices are used in power transmission networks to increase maximum power transmission and stability. On the one hand, they help to damp low-frequency oscillations for both local and internal areas. But on the other, the design of these devices with uncoordinated Power System Stability (PSS) may degrade the performance of the power system. In addition, the power systems are vast, complex, and nonlinear. Linear control strategies do not have satisfactory performance for these systems, especially when some disturbances occur. In this study, a nonlinear Coordinated Control Strategy based on Recurrent Neural Network (CCSRNN) is designed to control PSS and Static Synchronous Compensators (STATCOM) coordinates for a standard multi-machine power system and also using the Multi-Bound Power System Stability (MB-PSS) and Multi-Bound Recurrent Neural Network MB-RNN PSS and compare the result of each one for having better stability of the system. The results simulation proves that the controller leads to transient stability and low-frequency oscillation. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  308 - An Optimal Configuration of Neural Networks by Multi-Objective Genetic Algorithm and Ensemble-Classifier Approach for Evaluation Trust in the Single Web Service
  baharak shakeri aski Abolfazl Haghighat mehran mohsenzadeh
  Abstract. Web Services provides a solution to web application integration. Due to the significant of trust to choose the proper web service, a novel optimal configuration of neural networks by multi-objective genetic algorithm and ensemble-classifier approach is used to أکثر

  Abstract. Web Services provides a solution to web application integration. Due to the significant of trust to choose the proper web service, a novel optimal configuration of neural networks by multi-objective genetic algorithm and ensemble-classifier approach is used to evaluate the trust of single web services. For evaluating trust in single web services, first, a set of neural networks were trained by the settings their parameters through the multi-objective genetic algorithm. Next, the best combination of neural networks was selected to make an ensemble classifier. This method was evaluated with single WS dataset considered eight criteria. Three measurements such as accuracy, time and ROC curve were considered to assess the efficiency. Ultimately, the obtained results show that the proposed approach can achieve a trade-off between time and accuracy by the multi-objective genetic algorithm. Also using ensemble-classifiers approach increases the reliability of the model. Consequently, the proposed method promote the detection accuracy. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  309 - Multivariate Time Series Prediction Considering Intra-Time-Series and Inter-Time-Series Dependencies
  Parinaz Eskandarian Jamshid Bagherzadeh Habibollah Pirnejad Zahra Niazkhani
  A few artificial neural networks have been proposed so far for multivariate time series prediction and they used simple general-purpose neural networks. Therefore, they cannot achieve high prediction accuracy. In this paper, we propose an artificial neural network calle أکثر

  A few artificial neural networks have been proposed so far for multivariate time series prediction and they used simple general-purpose neural networks. Therefore, they cannot achieve high prediction accuracy. In this paper, we propose an artificial neural network called DBMTSP (Dependency Based Multivariate Time Series Prediction) to predict the next element of a time series in the multivariate case. Compared to the existing methods, DBMTSP considers both intra-time-series dependencies and inter-time-series dependencies efficiently to achieve more accurate predictions. We propose a hierarchical encoder in DBMTSP to discover inter-time-series dependencies. The proposed hierarchical encoder is able to encode secondary time series into a single parameter that represents dependencies that exist between the main time series and the secondary time series. The hierarchical encoder has a scalable design such that it can accept a large number of secondary time-series. We have trained DBMTSP using 32760 data matrices. We evaluated DBMTSP using 8190 test data matrices. Our evaluations show that DBMTSP surpasses the existing methods in term of prediction accuracy. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  310 - Five-Level Reduced-Switch-Count Boost PFC Rectifier with Intelligent Controller
  Mohsen Yahyaabadi Ali Asghar Shojaei Saman Toosi Hani Vahedi
  A five-level Power Factor Correction incremental rectifier (PFC) is proposed in this paper. In this topology, the output voltage and current of the rectifier are controlled using the multilevel modulation and smart controller technologies. A multi-carrier pulse width mo أکثر

  A five-level Power Factor Correction incremental rectifier (PFC) is proposed in this paper. In this topology, the output voltage and current of the rectifier are controlled using the multilevel modulation and smart controller technologies. A multi-carrier pulse width modulation is used to create the switching pulse. In this topology, the number of semiconductor switches is reduced to 3. The smart controller is implemented using a Multilayer Perceptron (MLP) neural network and it is trained using the backpropagation algorithm. This controller is used instead of the well-known PID controller to control the input voltage and current. It should be noted that in this work, the goal is to design an intelligent controller using a neural network instead of a PID controller. The results obtained using this controller as compared to the PID controller show a decrease in the peak voltage, an increase in the rise time, and a ripple reduction in the output voltage. This study is conducted using the Simulink environment in MATLAB and the results suggest that a smart controller can be an alternative to the PID controller. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  311 - Automatic offline identification of signature author based on deep learning and its evaluation in noisy conditions
  Davood Keykhosravi Seyed Naser Razavi Kambiz Majidzadeh Amin Babazadeh sangar
  Signature identification plays an important role in many areas such as banking, administrative and judicial systems. For this purpose, in this paper, an automatic intelligent framework is developed by combining a deep pre-trained network with a recurrent neural network. أکثر

  Signature identification plays an important role in many areas such as banking, administrative and judicial systems. For this purpose, in this paper, an automatic intelligent framework is developed by combining a deep pre-trained network with a recurrent neural network. The results of the proposed model were evaluated on several valid datasets and collected datasets. Since there was no suitable Persian signature dataset, we collected a Persian signature dataset based on US ASTM guidelines and standards, which can be very effective and profound for deep approaches. Due to the very promising results of the proposed model in comparison with recent studies and conventional methods, to evaluate the resistance of the proposed model to different noises, we added Gaussian Noise, Salt and Pepper Noise, Speckle Noise, and Local var Noise in different SNRs to the raw data. The results show that the proposed model can still be resistant to a wide range of SNRs; So at 15 dB, the accuracy of the proposed method is still above 90%. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  312 - Multi-layer Perceptron Neural Network Training Based on Improved of Stud GA
  Firozeh Razavi Faramarz Zabihi Mirsaeid Hosseini Shirvani
  Neural network is one of the most widely used algorithms in the field of machine learning, On the other hand, neural network training is a complicated and important process. Supervised learning needs to be organized to reach the goal as soon as possible.A supervised lea أکثر

  Neural network is one of the most widely used algorithms in the field of machine learning, On the other hand, neural network training is a complicated and important process. Supervised learning needs to be organized to reach the goal as soon as possible.A supervised learning algorithm analyzes the training data and produces an inferred function, which can be used for mapping new examples. Hence, in this paper, it is attempted to use improve Stud GA to find optimal weights for multi-layer Perceptron neural network. Stud GA is improved from genetic algorithms that perform information sharing in a particular way. In this study, chaotic system will be used to improve Stud GA. The comparison of proposed method with Imperialist Competitive Algorithm, Quad Countries Algorithm, Stud GA, Cuckoo Optimization Algorithm and Chaotic Cuckoo Optimization Algorithm on tested data set (Wine, Abalone, Iris, WDBC, PIMA and Glass) with determined parameters, as mentioned the proposed method has a better performance. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  313 - New Approach with Hybrid of Artificial Neural Network and Ant Colony Optimization in Software Cost Estimation
  Nader Ebrahimpour Farhad Soleimanian Gharehchopogh Zeinab Abbasi Khalifehlou
  Nowadays, software cost estimation (SCE) with machine learning techniques are more performance than other traditional techniques which were based on algorithmic techniques. In this paper, we present a new hybrid model of multi-layer perceptron (MLP) artificial neural ne أکثر

  Nowadays, software cost estimation (SCE) with machine learning techniques are more performance than other traditional techniques which were based on algorithmic techniques. In this paper, we present a new hybrid model of multi-layer perceptron (MLP) artificial neural network (ANN) and ant colony optimization (ACO) algorithm for high accuracy in SCE called Multilayer Perceptron Ant Colony Optimization (MLPACO). Current research uses some of features for increasing accuracy of estimation among of the existing parameters has been considered for effort estimation in software projects, and then these selected features will be filtered by ACO algorithm in order to reach highest accuracy in estimation and optimization of MLP ANN method. The results show that this novel approach with high accuracy for more than 80% cases is better than algorithmic constructive cost model (COCOMO) in the majority cases. Also, the results of proposed algorithm show that mean magnitude of relative error (MMRE) in the proposed algorithm is lower than COCOMO model. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  314 - Artificial Neural Networks endowed with External Factors for Forecasting Foreign Exchange Rate
  Zabihallah Pargam Yazdan Jamshidi
  The successful key of trading in the forex market is the selection of correct exchange in proper time based on an exact prediction of future exchange rate. Foreign exchange rates are affected by many correlated economic, political and even psychological factors. Therefo أکثر

  The successful key of trading in the forex market is the selection of correct exchange in proper time based on an exact prediction of future exchange rate. Foreign exchange rates are affected by many correlated economic, political and even psychological factors. Therefore, in order to achieve a profitable trade these factors should be considered. The application of intelligent techniques for forecasting has been proved extremely successful in recent years. Previous studies have mainly focused on the historical prices and the trading volume of one market only. In this paper, we have used Artificial Neural Networks (ANN) to predict the exchange rate with respect to three external factors including gold, petroleum prices and FTSE 100 index. The result of forecasts is compared with the ANNs without external factors. The empirical results demonstrate that the proposed model can be an effective way of forecasting. For the experimental analysis phase, the data of exchange rate of GBP/USD is used. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  315 - A Novel Approach for Discrimination Magnetizing Inrush Current and Internal Fault in Power Transformers Based on Neural Network
  Mehran Taghipour-Gorjikolaie Mohammad Yazdani-Asrami S. Asghar Gholamian S. Mohammad Razavi
  One of the major problems that may occur in the differential protection systems of power transformers is mal-operation of the protection relays in sake of internal fault detection, because of similarity between this current and inrush current. This paper presents a nove أکثر

  One of the major problems that may occur in the differential protection systems of power transformers is mal-operation of the protection relays in sake of internal fault detection, because of similarity between this current and inrush current. This paper presents a novel approach for discriminating inrush current from internal fault in power transformers based on Improved Gravitational Search Algorithm (IGSA). For this purpose, an Artificial Neural Network (ANN) which is trained by IGSA has been applied to discrete sample data of internal fault and inrush currents in the transformers. Results show that, the used approach can discriminate between these two kinds of phenomenon, very well and also, has high accuracy and excellent reliability, in addition, it has less computational burden and complexity. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  316 - Common Spatial Pattern for Human Identification Based on Finger Vein Images in Radon space
  Akram Gholami Hamid Hassanpour
  Finger vein is one of the most fitting biometric for identifying individuals. In this paper a new method for finger vein recognition is proposed. First the veins are extracted from finger vein images by using entropy based thresholding. In finger vein images the veins a أکثر

  Finger vein is one of the most fitting biometric for identifying individuals. In this paper a new method for finger vein recognition is proposed. First the veins are extracted from finger vein images by using entropy based thresholding. In finger vein images the veins are appeared as dark lines. The method extracts veins as well, but the images are noisy, that means in addition to the veins they have some short and long lines. Then radon transformation are applied to segmented images. The Radon transform is not sensitive to the noise in the images due to its integral nature, so in comparison with other methods is more resistant to noise. For extracting dominant features from finger vein images, common spatial patterns (CSP) is applied to the blocks of radon transformation. Finally the data classified by using nearest neighbor (1-NN) and multilayer perceptron (MLP) neural network. The research was performed on the Peking University finger vein dataset. Experimental results show that 1-NN using CSP, with detecting rate 99.6753%, against MLP is most appropriate for finger vein recognition. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  317 - Solving Fuzzy Equations Using Neural Nets with a New Learning Algorithm
  Ahmad Jafarian Safa Measoomy nia Raheleh Jafari
  Artificial neural networks have the advantages such as learning, adaptation, fault-tolerance, parallelism and generalization. This paper mainly intends to offer a novel method for finding a solution of a fuzzy equation that supposedly has a real solution. For this scope أکثر

  Artificial neural networks have the advantages such as learning, adaptation, fault-tolerance, parallelism and generalization. This paper mainly intends to offer a novel method for finding a solution of a fuzzy equation that supposedly has a real solution. For this scope, we applied an architecture of fuzzy neural networks such that the corresponding connection weights are real numbers. The suggested neural net can adjust the weights using a learning algorithm that based on the gradient descent method. The proposed method is illustrated by several examples with computer simulations. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  318 - Discrimination between Iron Deficiency Anaemia (IDA) and β-Thalassemia Trait (β-TT) Based on Pattern-Based Input Selection Artificial Neural Network (PBIS-ANN)
  Mehrzad Khaki Jamei Khadijeh Mirzaei Talarposhti
  Discrimination between iron deficiency (IDA) anemia and β-thalassemia trait (β-TT) is a time consuming and costly problem. Because, they have approximate similar effects on routine blood test indices, in some cases, the complementary tests, which are expensive أکثر

  Discrimination between iron deficiency (IDA) anemia and β-thalassemia trait (β-TT) is a time consuming and costly problem. Because, they have approximate similar effects on routine blood test indices, in some cases, the complementary tests, which are expensive and time consuming, would be needed for differentiate the anemia. Complete blood count (CBC) is a fast, inexpensive, and accessible medical test that is used as a primary test for diagnosis anemia. However, when the CBC indices cannot exactly state the subject, more advanced tests such as electrophoresis of hemoglobin must be performed. In this study, the CBC indices have been considered as the inputs of classifier and the chosen architecture is pattern-based input selection artificial neural network (PBIS-ANN). For evaluation the proposed method, traditional methods, which are still using for the problem such as Mentzer Index (MI), and several automated anemia diagnostic systems such as artificial neural networks (ANN), adaptive neuro-fuzzy inference system (ANFIS) and multi-layer perceptron (MLP) have been compared with the proposed method. The results indicate that the proposed method significantly outperforms the mentioned methods. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  319 - Observer-Based Control for a Modified Duffing System Using Twisting Algorithm
  Milad Malekzadeh Alireza Khosravi
  This paper presents a new observer-based control scheme for a class of nonlinear systems. In the proposed method, nonlinear observer and twisting algorithm controller are employed to realize a sensor-less control strategy for complex systems which makes use of non measu أکثر

  This paper presents a new observer-based control scheme for a class of nonlinear systems. In the proposed method, nonlinear observer and twisting algorithm controller are employed to realize a sensor-less control strategy for complex systems which makes use of non measurable process information instead of installing as many sensors as possible. Due to lack of availability of the complex system states, controlling of them will be faced with undesirable performance. This deficiency can be solved with adding observer in the control strategy. In order to estimate unavailable states, an adaptive neural network observer is considered in the present article. This observer is tuned online and no exact information of the nonlinear function in the observed system is required. Also, to realize control purpose, 2nd order sliding mode controller called twisting algorithm is located in the close loop structure. This control strategy is implemented on the modified Duffing chaotic system and the simulation results confirm the capability of this method. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  320 - Load and Harmonic Forecasting for Optimal Transformer Loading and Life Time by Artificial Neural Network
  S.Mohammad Bagher Sadati Jamal Moshtagh Abdollah Rastgou
  Proper operations of transformer have several issues such as; preventing of unscheduled removal’s, increasing of reliability and continues supply of consumer demand. This result would be obtained that load and harmonic orders of sensitivity transformer at interval أکثر

  Proper operations of transformer have several issues such as; preventing of unscheduled removal’s, increasing of reliability and continues supply of consumer demand. This result would be obtained that load and harmonic orders of sensitivity transformer at intervals appropriate for next hours and days is predicted to by selecting optimal utilization coefficient, reduction life of transformer is prevented. A possible solution for load and harmonic orders forecasting is implementation of heuristically algorithm and method such as Artificial Neural Network (ANN). In this paper, firstly relationship between transformer loss and life and effect of harmonic on its, is evaluated. Then by ANN method, load and harmonic orders of 400KVA distribution transformer is predicted. Then by using of existing standards and programs written in MATLAB environment, Load ability or optimal utilization coefficient and life of transformer is calculated. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  321 - Multi-Machine Power System Stability Improvement Using a New Fuzzy Wavelet Neural Network Damping Controller
  Mohammad Sadegh Payam Ehsan Bijami
  This paper presents a new damping controller design based on fuzzy wavelet neural network (FWNN) to damp the multi-machine power system low frequency oscillations. The error between the desired system output and the output of control object is directly utilized to tune أکثر

  This paper presents a new damping controller design based on fuzzy wavelet neural network (FWNN) to damp the multi-machine power system low frequency oscillations. The error between the desired system output and the output of control object is directly utilized to tune the network parameters. The orthogonal least square (OLS) algorithm is used to purify the wavelets for each rule and determine the number of fuzzy rules and network dimension. In this paper, Shuffled Frog Leaping Algorithm (SFLA) is proposed for learning of FWNN and to find the optimal values of the parameters of the FWNN damping controller. To illustrate the capability of the proposed approach, some numerical results are presented on a 2-area 4-machine and a 5-area-16-machine power system. To show the effectiveness and robustness of the designed controller, the case studies are tested under two conditions: applying a line-to-ground fault at a bus and applying a three phase fault at a bus. Furthermore, to make a comparison, the proposed approach is compared with a classical based method and a FWNN based genetic algorithm approach, which is adopted from literature, through eigenvalue analysis, time- domain simulation and some performance indices. The simulation results show the superiority and capability of the proposed FWNN damping controller. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  322 - Ovarian Cancer Classification Using Hybrid Synthetic Minority Over-Sampling Technique and Neural Network
  Moshood A. Hambali Morufat D. Gbolagade
  Every woman is at risk of ovarian cancer; about 90 percent of women who develop ovarian cancer are above 40 years of age, with the high number of ovarian cancers occurring at the age of 60 years and above. Early and correct diagnosis of ovarian cancer can allow proper t أکثر

  Every woman is at risk of ovarian cancer; about 90 percent of women who develop ovarian cancer are above 40 years of age, with the high number of ovarian cancers occurring at the age of 60 years and above. Early and correct diagnosis of ovarian cancer can allow proper treatment and as a result reduce the mortality rate. In this paper, we proposed a hybrid of Synthetic Minority Over-Sampling Technique (SMOTE) and Artificial Neural Network (ANN) to diagnose ovarian cancer from public available ovarian dataset. The dataset were firstly preprocessed using SMOTE before employing Neural Network for classification. This study shows that performance of Neural networks in the cancer classification is improved by employing SMOTE preprocessing algorithm to reduce the effect of data imbalance in the dataset. To justify the performance of the proposed approach, we compared our results with the standard neural network algorithms. The performance measurement evaluated was based on the accuracy, F-measure, Recall, ROC Area Margin Curve and Precision. The results showed that SMOTE + MLP (with above 96% accuracy) performed better than SMOTE + RBF and standard RBF and MLP. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  323 - ارزیابی رضایت‌مندی شهروندان از سیستم حمل و نقل درون‌شهری همدان
  حامد عباسی
  حمل و نقل یکی از مهم‌ترین زیربناهای تشکیل‌دهنده زندگی شهری است که شکل و چگونگی توسعه اجتماعی و اقتصادی شهر را تعیین می‌کند. در این راستا، بررسی کیفیت حمل و نقل شهر همدان که می‌تواند در توسعه آن بسیار مفید باشد؛ مورد توجه قرار گرفت. جهت ارزیابی میزان رضایتمندی شهروندان ا أکثر

  حمل و نقل یکی از مهم‌ترین زیربناهای تشکیل‌دهنده زندگی شهری است که شکل و چگونگی توسعه اجتماعی و اقتصادی شهر را تعیین می‌کند. در این راستا، بررسی کیفیت حمل و نقل شهر همدان که می‌تواند در توسعه آن بسیار مفید باشد؛ مورد توجه قرار گرفت. جهت ارزیابی میزان رضایتمندی شهروندان از سیستم حمل و نقل از مدل رگرسیون غیرخطی و شبکه عصبی مصنوعی استفاده شد. بدین منظور ابتدا با تدوین پرسش‌نامه‌ای که بر اساس سه شاخص اصلی (وضعیت تجهیزات و تأسیسات، وضعیت ساختار کالبدی و وضعیت مدیریت و شیوه خدمات رسانی) پایه‌ریزی گردید؛ دیدگاه شهروندان جمع‌آوری شد. سپس با اتحاذ این شاخص‌ها به‌عنوان متغیر مستقل و میزان رضایت‌مندی به‌عنوان متغیر وابسته، یک مدل رگرسیون غیرخطی اجرا شد. میزان همبستگی و جذر میانگین مربعات خطای خروجی از این مدل به ترتیب به مقدار 914/0 و 334/0 مقدار بدست آمد. در رویکردی دیگر با استفاده از شبکه عصبی مصنوعی، یک مدل با ساختار سه نرون ورودی، یک لایه پنهان و یک نرون خروجی پایه‌ریزی شد. همبستگی خروجی این مدل به مقدار 998/0 مقدار و جذر میانگین مربعات خطای آن در حدود 6 برابر کمتر از مدل رگرسیونی محاسبه شد. نتایج نشان دادند که مدل شبکه عصبی با تخمین توأمان روابط خطی و غیرخطی، از انعطفاف‌پذیری و قابلیت مناسب‌تری نسبت به رگرسیون غیرخطی برخوردار است. از طرفی شاخص‌های قیمت‌گذاری با ضریب (853/0)، برابری و رفاه با (795/0) و کاهش تقاضای سفر با (790/0) مقدار، اثرگذارترین شاخص‌ها در رضایت‌مندی شهروندان از شبکه حمل و نقل شهری هستند. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  324 - ارزیابی تاب آوری اجتماعی و اقتصادی منطقه 3 شهرداری شیراز در برابر زلزله
  پریسا مشک سار یعقوب پیوسته گر علی شمس الدینی
  امروزه جوامع محلی در تلاش برای دست‌یابی به شرایطی هستند که در صورت وقوع بحران، بازگشت سریع آن‌ها را به وضعیت پیش از بحران فراهم سازد. بنابراین دیدگاه غالب از تمرکز بر روی کاهش آسیب‌پذیری به افزایش تاب‌آوری در مقابل سوانح تغییر کرده است. تاب‌آوری به ظرفیت سیستم‌های اکولو أکثر

  امروزه جوامع محلی در تلاش برای دست‌یابی به شرایطی هستند که در صورت وقوع بحران، بازگشت سریع آن‌ها را به وضعیت پیش از بحران فراهم سازد. بنابراین دیدگاه غالب از تمرکز بر روی کاهش آسیب‌پذیری به افزایش تاب‌آوری در مقابل سوانح تغییر کرده است. تاب‌آوری به ظرفیت سیستم‌های اکولوژیکی برای جذب اختلالات و حفظ ساختارهای لازم سیستم اطلاق می-شود. شهر شیراز در منطقه لرزه‌خیز زاگرس قرار گرفته که دارای استعداد لرزه‌خیزی بالایی می‌باشد. با توجه به اهمیت کاربری-های موجود در منطقه 3 شهرداری شیراز، هدف این پژوهش سنجش میزان تاب‌آوری اجتماعی- اقتصادی در برابر زلزله در این منطقه است. پژوهش حاضر از نظر هدف، کاربردی و از نظر شیوه انجام، توصیفی- تحلیلی است. بدین صورت که با استفاده از مطالعات کتابخانه‌ای همه معیارهای مورد ارزیابی مناسب این منطقه استخراج گردید. سپس جهت بررسی تجزیه و تحلیل چند متغیره بین متغیرها و همچنین برآورد متوسط متغیر وابسته(تاب‌آوری اجتماعی- اقتصادی) براساس مقادیر متغیرهای مستقل(متغیرهای زمینه‌ای اجتماعی- اقتصادی) مدل رگرسیون خطی چندگانه به کار رفته است. نهایتا برای تعیین "سهم مولفه-های تاب‌آوری اجتماعی و اقتصادی در تبیین میزان تاب‌آوری خانوارهای این منطقه " از مدل شبکه عصبی مصنوعی، استفاده شده است. با توجه به نتیجه‌ی رگرسیون خطی با کاهش میزان درآمد صرف ضروریات میزان تاب‌آوری افزایش می‌یابد. از میان شاخص‌های مورد مطالعه مولفه سرمایه اجتماعی و مهارت مهم‌ترین و مولفه‌های میزان و شدت خسارت و توانایی بازگشت به شرایط شغلی و مالی مناسب کم اهمیت‌ترین متغیر در پیش‎بینی تاب‌آوری کل برخوردارند. بنابراین مولفه‌های اجتماعی در این مطالعه تاثیر بیش‌تری در میزان تاب‌آوری دارند. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  325 - برنامه‌ریزی راهبردی شهر پیرانشهر
  لیلی ابراهیمی محمدرحیم رهنما عزت اله مافی
  آگاهی از نقاط قوت و ضعف شهرها، برای ارائه طرح‌ها، سیاست‌گذاریها و برنامه‌های شهر ضروری است. در واقع استفاده از شاخص-های اقتصادی، اجتماعی، کالبدی و غیره می‌تواند معیاری مناسب برای تعیین جایگاه شهرها باشد و زمینه‌های رفع مشکلات و نارسایی‌های موجود برای دستیابی به توسعه مط أکثر

  آگاهی از نقاط قوت و ضعف شهرها، برای ارائه طرح‌ها، سیاست‌گذاریها و برنامه‌های شهر ضروری است. در واقع استفاده از شاخص-های اقتصادی، اجتماعی، کالبدی و غیره می‌تواند معیاری مناسب برای تعیین جایگاه شهرها باشد و زمینه‌های رفع مشکلات و نارسایی‌های موجود برای دستیابی به توسعه مطلوب و واقعی به وجود آید. بر این اساس هدف از این مقاله تعیین جایگاه شهرستان پیرانشهر به لحاظ شاخص‌های برنامه‌ریزی استراتژیک و اولویت‌بندی استراتژی‌های توسعه شهرستان است. گردآوری داده‌ها با استفاده از پرسشنامه بوده است. تحقیق از نوع توصیفی و تحلیلی است. حجم نمونه براساس فرمول کوکران برای گروه شهروندان برابر 382 نفر است. در گروه مدیران 50 نفر و در گروه نخبگان نیز 50 نفر به عنوان نمونه انتخاب شدند. تعیین جایگاه شهر با استفاده از مدل SWOT و اولویت‌بندی استراتژی‌های توسعه شهر با استفاده از ترکیب روش تصمیم‌گیری چند معیاره و شبکه عصبی کوهونن در نرم‌افزارهای EXCEL و MATLAB انجام شد. نتایج نشان داد به لحاظ استراتژیک شهر پیرانشهر در موقعیت رقابتی قرار دارد. خروجی شبکه کوهونن نیز استراتژی توسعه مبادلات برون‌مرزی و تقویت بازارچه مرزی تمرچین در راستای شکل‌دهی به اقتصاد پایدار بر مبنای بازرگانی داخلی- خارجی را بعنوان بهترین استراتژی توسعه شهر مشخص کرد. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  326 - کاربرد شبکه عصبی مصنوعی وCellular Automata در مدل سازی و پیش بینی تغییرات کاربری اراضی شهر بوانات
  مرضیه موغلی
  مقدمه: امروزه به دلیل ارزش بالای زمین و محدودیت منابع طبیعی در شهر بوانات پیش بینی تغییرات کاربری اراضی در این شهر از اهمیت بسزائی برخوردار است.هدف پژوهش: تعیین میزان توانائی در مدلسازی پدیده های مکان یابی در شهر بوانات یکی از اهداف اصلی تحقیق می باشد. روش شناسی: با ت أکثر

  مقدمه: امروزه به دلیل ارزش بالای زمین و محدودیت منابع طبیعی در شهر بوانات پیش بینی تغییرات کاربری اراضی در این شهر از اهمیت بسزائی برخوردار است.هدف پژوهش: تعیین میزان توانائی در مدلسازی پدیده های مکان یابی در شهر بوانات یکی از اهداف اصلی تحقیق می باشد. روش شناسی: با توجه به کاربردی و توسعه ای بودن در این تحقیق از شبکه های عصبی مصنوعی برای کالیبراسیون مدل برای فاکتورهای مؤثر در شهر بوانات استفاده شده و از نرم افزار پردازش تصویر ENVI و Arc GIS بهره گرفته شده است.روش شناسی: با توجه به کاربردی و توسعه ای بودن در این تحقیق از شبکه های عصبی مصنوعی برای کالیبراسیون مدل برای فاکتورهای مؤثر در شهر بوانات استفاده شده و از نرم افزار پردازش تصویر ENVI و Arc GIS بهره گرفته شده است.قلمرو جغرافیایی پژوهش: شهرستان بوانات واقع در 240 کیلومتری شهر شیراز به مساحت 2/4992 کیلومترمربع می باشد که در موقعیت 46/30 درجه شمالی و 67/53 درجه شرقی قرار گرفته است.یافته ها: در طراحی مدلسازی رشد شهری در بوانات در بین سال های 2003 تا 2018 با استفاده از شبکه عصبی مصنوعی مشاهده شد که به دو دلیل عمده مدل مذکور جهت پیش بینی تغییرات کاربری اراضی شهر بوانات مناسب می باشد که دلیل اول آن میزان توانائی مدل CA و دلیل دوم دست یابی به مدلی برای تغییر و گسترش شهری با تغییر در کاربری اراضی شهری می باشد.نتیجه گیری: پس از بررسی یافته ها مشخص گردید که شبکه راه ها یکی از مهمترین عوامل در رشد و گسترش شهر بوانات بوده و علاوه بر آن درصد شیب زمین از پارامترهای مؤثر در مدلسازی شهر بوانات می باشد. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  327 - کاربرد شبکه های عصبی مصنوعی در مدل سازی توسعه کالبدی شهری (مطالعه موردی:شهر رشت)
  طلا عابدی غلامرضا میری پرویز رضائی رضا زارعی
  مقدمه : توسعه کالبدی شهر ها به صورت روزافزون در حال افزایش است. مدیریت صحیح این توسعه از جهات گوناگون در زمره ی مسائل مهمی است که باید مدنظر قرار بگیرد. روش های متعددی برای پیش بینی و تعیین جهت توسعه شهری وجود دارد که یکی از این روش ها در تعیین مناطق مناسب ، روش مبتنی ب أکثر

  مقدمه : توسعه کالبدی شهر ها به صورت روزافزون در حال افزایش است. مدیریت صحیح این توسعه از جهات گوناگون در زمره ی مسائل مهمی است که باید مدنظر قرار بگیرد. روش های متعددی برای پیش بینی و تعیین جهت توسعه شهری وجود دارد که یکی از این روش ها در تعیین مناطق مناسب ، روش مبتنی بر شبکه های عصبی است.هدف پژوهش : هدف این پژوهش مدلسازی توسعه شهر رشت طی 20 سال اخیر و پیش بینی جهات توسعه این شهر تا سال 2032 می باشد.روش شناسی تحقیق : با استفاده از تصاویر ماهواره ای ETM+ لندست 7 و8 سالهای 2002، 2012 و 2021 شهر رشت و با نرم افزار GIS تصاویر با ترکیب باندی مناسب آماده و سپس با استفاده از روش شبکه عصبی مصنوعی پرسپترون چند لایه (MLP) تصاویر طبقه بندی شده اند. شاخص های در نظر گرفته شده برای مدل همسایگی مناطق شهری، فاصله از نقاط شهری، فاصله تا مناطق مرکزی شهر و فاصله تا خیابان ها و راههای اصلی می باشند.قلمروجغرافیایی پژوهش :شهر رشت، مرکز استان گیلان و در ۴۹ درجه و ۳۵ دقیقه و ۴۵ ثانیه طول شرقی و ۳۷ درجه و ۱۶ دقیقه و ۳۰ ثانیه عرض شمالی از نصف النهار گرینویچ قرار دارد و مساحت آن حدود ۱۰۲۴۰ هکتار می باشد. یافته ها و بحث :در این مدل در حالت آموزش مرحله اول(ورودی اعمال 4 شاخص بر تصاویر سال 2002)، شبکه 104 تکرار انجام داد و کمترین میزان خطا که با معیار crossentropy ارزیابی می شود در تکرار 98 ام برابر با 058526/0 گردید. در مرحله دوم ورودی مدل اعمال 4 شاخص بر روی تصاویر 2012 بوده که کمترین میزان خطا 076657/0 ارزیابی شد.نتایج :در مجموع مدل توانسته است برای پیش بینی توسعه شهر رشت در سال 2012، 9/95 درصد و برای سال 2021، 8/93 درصد برآورد درستی داشته باشد که این عددها می تواند قابل قبول باشد. خطای مدل در این بخش اول 1/4 درصد و در بخش دوم 2/6 درصد بوده است. با بررسی دوره 20 ساله روند توسعه کالبدی، جهات توسعه شهر رشت در سال 2032 پیش بینی شد. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  328 - پیش بینی محصولات بنیادی روغن بابونه Abdicate Matricaria chamomilla L. با استفاده از سیستم شبکه عصبی مصنوعی
  نازنین خاکی پور مهتاب پاینده
  هدف از این تحقیق، پیش‌بینی نسبت و تولید اسانس بابونه با استفاده از یک سیستم شبکه عصبی مصنوعی متکی بر ویژگی‌های فیزیکوشیمیایی خاص خاک بود. سایت های مختلف کشت بابونه مورد بررسی قرار گرفت و 100 نمونه خاک به گلخانه منتقل شد. pH، EC، K، OM (ماده آلی)، CCE (معادل کربنات کلسیم أکثر

  هدف از این تحقیق، پیش‌بینی نسبت و تولید اسانس بابونه با استفاده از یک سیستم شبکه عصبی مصنوعی متکی بر ویژگی‌های فیزیکوشیمیایی خاص خاک بود. سایت های مختلف کشت بابونه مورد بررسی قرار گرفت و 100 نمونه خاک به گلخانه منتقل شد. pH، EC، K، OM (ماده آلی)، CCE (معادل کربنات کلسیم) و میزان رس در خاک ها از 8.75 تا 7.94، 1.6 تا 1.0، 381 تا 135، 2.30 تا 0.22، 69 تا 16، و 6.5 متغیر بود. به ترتیب به 32.0 رسید. پارامترهای رشد، درصد اسانس و عملکرد اندازه گیری شد. مدل‌سازی شبکه عصبی مصنوعی با هدف پیش‌بینی غلظت و عملکرد اسانس با استفاده از سه مجموعه از ویژگی‌های خاک به عنوان پیش‌بینی‌کننده انجام شد: نیتروژن (N)، فسفر (P)، پتاسیم (K)، و خاک رس. pH، EC، مواد آلی (OM) و خاک رس. CCE، خاک رس، سیلت، ماسه، N، P، K، OM، pH و EC. در نتیجه، سه تابع انتقال (PTF) با استفاده از پرسپترون چند لایه (MLP) با الگوریتم آموزشی Levenberg-Marquardt برای تخمین محتوای اسانس بابونه فرموله شد. ارزیابی نتایج نشان داد که PTF سوم (PTF3) که با استفاده از تمامی متغیرهای مستقل توسعه یافته است، بالاترین دقت و پایایی را از خود نشان می دهد. علاوه بر این، یافته‌ها امکان پیش‌بینی غلظت و عملکرد اسانس بابونه را بر اساس ویژگی‌های فیزیکوشیمیایی خاک پیشنهاد کرد. این پیامدهای قابل توجهی برای ارزیابی تناسب زمین، شناسایی مناطق مساعد برای کشت بابونه و برنامه ریزی برای بازده اسانس دارد. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  329 - Identification of Houseplants Using Neuro-vision Based Multi-stage Classification System
  Narges Ghanei Ghoushkhaneh Abbas Rohani Mahmood Reza Golzarian Fatemeh Kazemi
  In this paper, we present a machine vision system that was developed on the basis of neural networks to identify twelve houseplants. Image processing system was used to extract 41 features of color, texture and shape from the images taken from front and back of the leav أکثر

  In this paper, we present a machine vision system that was developed on the basis of neural networks to identify twelve houseplants. Image processing system was used to extract 41 features of color, texture and shape from the images taken from front and back of the leaves. The features were fed into the neural network system as the recognition criteria and inputs. Multilayer perceptron (MLP) neural network with Declining Learning-Rate Factor algorithm (BDLRF) training algorithm was used as a classifier. Classification was done in three stages based on eligibility and strength of characteristics in identifying the plants. Eligibility criteria were assessed at each stage using plants class resolution power. In this classification method, each step requires a small number of attributes and for this reason its speed and accuracy can be very high. The results showed that the accuracy of classification of plants in three steps reaches 100%. Also, the optimal features for classification included three inputting steps of morphological features, HSI color features extracted from back of the leaves, and HSI texture features of the back of the leaves. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  330 - پیش بینی عملکرد محصول جو دیم با استفاده از سیستمهای خبره عصبی و عصبی فازی منطقه مورد مطالعه استانهای خراسان
  احد مدنی عباس خاشعی علیرضا خاکزاد سیوکی
  10.2./jpps.2022.691244
  در این تحقیق سعی شده تا عملکرد جو دیم در استان های خراسان با پارامترهای اقلیمی و به دو روش سیستم های عصبی (Ann) و فازی (Anfis) پیش بینی شود. محاسبات با نرم افزار MATLAB انجام گرفت و سپس ارزیابی عملکرد مدل ها با شاخص های آماری ضریب همبستگی ( R2 )، ریشه میانگین مربعات خطا أکثر

  در این تحقیق سعی شده تا عملکرد جو دیم در استان های خراسان با پارامترهای اقلیمی و به دو روش سیستم های عصبی (Ann) و فازی (Anfis) پیش بینی شود. محاسبات با نرم افزار MATLAB انجام گرفت و سپس ارزیابی عملکرد مدل ها با شاخص های آماری ضریب همبستگی ( R2 )، ریشه میانگین مربعات خطا ( RMSE ) و میانگین کامل خطاMAE) ) انجام شد. بارندگی و عملکرد سال گذشته نقش موثری در کاهش خطای پیش بینی و افزایش ضریب تعیین هبستگی در هر دو روش Ann و Anfis داشت. ورودی عملکرد سال گذشته و تبخیر و تعرق توانست موجب شود تا روش Anfis در مقایسه با روش Ann پیش بینی عملکردی دقیقتری داشته باشد. بیشترین برتری دقت تخمین عملکرد در Anfis نسبت به ANN با ورودی های با ورودی های مدل R مشاهده شد که که شامل ورودیهای رطوبت ؛ دمای نقطه شبنم و دمای ماکزیمم بود. نتایج در هر دو روش Anfis و Ann برای ورودیهای مدل L که شامل بارندگی،رطوبت نسبی و عملکرد سال گذشته بود، نشان داد که این مدل بالاترین دقت را در بین مدلهای ورودی کسب نموده است. اما برای ورودیهای مدل E نیز که شامل تبخیر و تعرق ، بارندگی ، رطوبت نسبی و دمای حداقل بود، نتایج حاکی از دقت بیشترAnfis نسبت به روش Ann داشت. وجود پارامتر تشعشع در ورودی ها دقت تخمین عملکرد را در هر دو روش کاهش داد. در مجموع روش Anfis دقت بیشتری را در تخمین عملکرد جو نسبت به Ann نشان داد. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  331 - Energy Flows Modeling and Economic Evaluation of Watermelon Production in Fars Province of Iran
  Sajad Rostami Maryam Lotfalian Bahram Hosseinzadeh مهدی قاسمی ورنامخستی
  This study aimed to evaluate the efficiency of energy consumption and economic analysis of different watermelon cultivation systems in Fars Province of Iran. Watermelon production systems were classified into five systems, namely, custom tillage (group 1), conservation أکثر

  This study aimed to evaluate the efficiency of energy consumption and economic analysis of different watermelon cultivation systems in Fars Province of Iran. Watermelon production systems were classified into five systems, namely, custom tillage (group 1), conservation tillage (group 2), traditional planting (group3), semi mechanized planting (group 4), and mechanized planting (group 5). Data were collected from 317 watermelon producers from different parts of the province through face to face interviews. Multi-Layer Perceptron artificial neural networks were used to model the energy flows of watermelon production. The results showed that the greatest energy consumption belonged to mechanized planting system with the value of 81317.72 MJha-1 and with the productivity of 0.61 kgha-1and energy use efficiency of 1.17. Clustering function with three inputs (human resources, machines and diesel fuel) showed that the difference between groups 2 and 4 is more than the other groups. The least energy consumption belonged to the conservative agriculture as78163.86 MJha-1and the energy productivity and energy use efficiency about 0.64 kgha-1 and 1.22, respectively. The results of energy modeling showed that an ANN model with 9-10-1 structure was determined to be optimal for energy flow modeling of this system. Generally, it was concluded that the artificial neural network models can be applicable to prognosticate the energy flows of watermelon production. From an economic point of view, the least net profit belonged to traditional planting with the value of 2618.14$, and the most net return belonged to mechanized planting with the value of 2752.88$/ha. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  332 - Analysis and Modeling of Yield, CO2 Emissions, and Energy for Basil Production in Iran using Artificial Neural Networks
  سجاد رستمی سمیه چوبین بهرام حسین‌زاده سامانی زهرا اسمعیلی حماد ذرعی‌فروش
  The present study attempts to investigate the potential relationship between input energies, performance production of greenhouse basil, and greenhouse gases emitted from this product. The data were collected from 24 greenhouses using a questionnaire and verbal interact أکثر

  The present study attempts to investigate the potential relationship between input energies, performance production of greenhouse basil, and greenhouse gases emitted from this product. The data were collected from 24 greenhouses using a questionnaire and verbal interaction with farmers. Results of the study showed that the total input energy and total output energy for basil production were 119,852.9 MJ/ha and 61,040 MJ/ha, respectively. The highest rate of energy consumption was related to electricity (52,200 MJ/ha), followed by plastic (23,220 MJ/ha) and chemical fertilizers (13,894 MJ/ha). The energy and productivity indices were estimated at 0.45 and 0.21, respectively, which indicated that the efficiency of energy in the agricultural sector was low. In addition, it was found that the pure energy index and total greenhouse gases emitted from basil production were equal to -722,706.9 and 9,595.6 kg (CO2), respectively. The highest emission of greenhouse gases was attributed to electricity (2,216 kg/CO2). Results of modeling proved that artificial neural networks can predict basil performance and CO2 emissions with a high degree of accuracy (R2=0.99 and MSE= 0.00023). تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  333 - Developing a Radial Basis Function Neural Networks to Predict the Working Days for Tillage Operation in Crop Production
  ارمغان کوثری مقدم عباس روحانی Lobat Kosari-Moghaddam مهدی اسماعیل پور تروجنی
  The aim of this study was to determine the probability of working days (PWD) for tillage operation using weather data with Multiple Linear Regression (MLR) and Radial Basis Function (RBF) artificial networks. In both models, seven variables were considered as input para أکثر

  The aim of this study was to determine the probability of working days (PWD) for tillage operation using weather data with Multiple Linear Regression (MLR) and Radial Basis Function (RBF) artificial networks. In both models, seven variables were considered as input parameters, namely minimum, average and maximum temperature, relative humidity, rainfall, wind speed, and evaporation on a daily basis. The PWD was considered to be the output of the developed models. Performance criteria were RMSE, MAPE, and R2. Results showed that the R2-valuewas 0.78 and 0.99 for MLR and RBF models, respectively. Both models had acceptable performance, but the RBF model was more accurate than the MLR model. The RMSE and MAPE values for the RBF model were lower than those for the MLR model. Thus, the RBF model was selected as the suitable model for predicting PWD. Moreover, the results of these models were compared to the prior soil moisture model. It was indicated that the results of the studied models had a good agreement with the results of the soil moisture model. However, the RBF model had the highest R2 (99%). In conclusion, the developed RBF model could be used to predict the probability of working days in terms of agricultural management policies. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  334 - Application of Artificial Neural Networks (ANN) to Predict Geomechanical Properties of Asmari Limestones
  Mahdi Razifard Mashallah Khamechiyan ‪Mohammad Reza Amin‐Naseri
  A number of common laboratory rock mechanics tests are carried out in all geotechnical projects such as dams, to determine parameters such as porosity, density, water absorption, sonic velocity, Brazilian tensile strength, uniaxial compressive strength, and triaxial com أکثر

  A number of common laboratory rock mechanics tests are carried out in all geotechnical projects such as dams, to determine parameters such as porosity, density, water absorption, sonic velocity, Brazilian tensile strength, uniaxial compressive strength, and triaxial compressive strength. In this paper, data obtained from two dams in Asmari Formation including Khersan 1 and Karun 4 - both located in Chahar-Mahal Va Bakhtiari Province, Iran - have been subjected to a series of statistical analyses. Then, using Multivariate Linear Regression (MLR) and Artificial Neural Networks values of UCS, E, C, and φ were predicted using the input parameters including depth, compression ultrasonic velocity, porosity, density, and Brazilian tensile strength. The designed ANN in this research was a feedforward backpropagation network which is powerful tool to solve prediction problems. Designed network had two hidden layer (hidden layer 1: 18 neurons and hidden layer 2: 20 neurons). Via comparing designed MLR and ANN models, it was revealed that ANNs (R2 UCS= 0.91, R2 = 0.87, R2 =0.78, R2 EC phi = 0.61) are more efficient than MLR models (R2 UCS= 0.69, R = 0.69, R = 0.66, and R2 22 EC phi = 0.50) in predicting strength and shear parameters of the intact rock. Also, to enhance the credibility of this study, some extra tests were carried out to evaluate the efficiency of network designed for prediction of strength parameters. The results obtained from this network were as: R2 UCS= 0.85, R2E = 0.81. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  335 - Delineation of groundwater recharge potential zones using weighted linear combination method (case study: Kuhdasht plain, Iran)
  Siamak Baharvand Jafar Rahnamarad Soori Salman
  Extracting groundwater resources in Kuhdasht plain in west of Lorestan province as a suitable and available resources of water for agricultural usage, has been led to decline in groundwater level and reservoir storage, changes in water quality, land subsidence and etc. أکثر

  Extracting groundwater resources in Kuhdasht plain in west of Lorestan province as a suitable and available resources of water for agricultural usage, has been led to decline in groundwater level and reservoir storage, changes in water quality, land subsidence and etc. Artificial recharge plans are one of the alternatives to deal with aforementioned challenges. Present study has been reached with the aim of locating prone areas for artificial recharge plans in Kuhdasht plain. Accordingly, seven layers including lithology, slope, elevation, fault density, stream density, land use, and alluvial thickness were weighted using a weighted linear combination (WLC) method. Finally, extracted map of overlapping these layers using WLC method was classified to five potential classes including 'very high' (31.45% of the area), 'high' (38.94%), 'moderate' (18.43%), 'low' (6.08%) and 'very low' (5.1%). تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  336 - Introducing a New Artificial Neural Network Model for prediction of the Pressuremeter Modulus in soils of Tehran
  Shahin Razavi Kamran Goshtasbi Ali Noorzad Kaveh Ahangari
  Pressuremeter is one of the most reliable in-situ tests in geotechnical engineering. Soil deformation modulus has been related empirically to the pressuremeter modulus (E ) obtained from the pressurevolume change curve from this test. In general, the pressuremeter test أکثر

  Pressuremeter is one of the most reliable in-situ tests in geotechnical engineering. Soil deformation modulus has been related empirically to the pressuremeter modulus (E ) obtained from the pressurevolume change curve from this test. In general, the pressuremeter test is time-consuming and costly that requires experienced operators. Various parameters might also affect the test results. With these limitations, it is necessary to introduce equations and models for indirect determination of the E. Artificial neural network (ANN) is a very useful technique for modeling complex relationships between input and output data sets. The ANN models often produce more accurate results compared with the linear regression methods. The main purpose of this research is to introduce a new ANN model for prediction of the EPM. The data used in this research is taken from 41 pressuremeter tests in soils of Tehran. In order to estimate EPM, parameters such as grain size distribution, depth of test, and moisture content are considered as input (independent) variables. The coefficient of determination (R2) for the training, validation, and test data sets were 0.736, 0.906, and 0.801, respectively. Acceptable correlations and errors of network predictions in comparison with the actual values of EPM show the accuracy and efficiency of the designed model. Sensitivity analysis revealed that the grain size distribution is the most effective parameter among the variables on the EPM. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  337 - بخش‌بندی و تعیین نیم‌رخ مشتریان شعب بانک کشاورزی اهواز با استفاده از الگوریتم شبکه‌های عصبی خودسازمانده
  مریم درویشی
  هدف از انجام این پژوهش، بخش‌بندی و تعیین نیمرخ مشتریان با استفاده ازالگوریتم شبکه‌های عصبی خودسازمانده (مورد مطالعه: مشتریان شعب بانک کشاورزی شهرستان اهواز) است. تحقیق حاضر در گروه روش‌های کمّی قرار می‌گیرد. روش پژوهش براساس هدف از نوع كاربردي و براساس چگـونگي جمـع‌آوري أکثر

  هدف از انجام این پژوهش، بخش‌بندی و تعیین نیمرخ مشتریان با استفاده ازالگوریتم شبکه‌های عصبی خودسازمانده (مورد مطالعه: مشتریان شعب بانک کشاورزی شهرستان اهواز) است. تحقیق حاضر در گروه روش‌های کمّی قرار می‌گیرد. روش پژوهش براساس هدف از نوع كاربردي و براساس چگـونگي جمـع‌آوري داده‌هـا توصـيفی (غيرآزمايشي) - پيمايشي و از نظر مکان نیز یک تحقیق میدانی است. جامعه آماری این تحقیق مشتریان بانک کشاورزی شهرستان اهواز می‌باشند. ازآنجایی‌که جامعه آماری این تحقیق نامحدود است، حجم نمونه بر اساس فرمول کوکران جامعه نامحدود، به تعداد 384 نفر تعیین شده است. ابزار پژوهش، پرسشنامه است. در این پژوهش روایی محتوا از طریق نظرخواهی از استاد راهنما و سایر اساتید صاحب نظر در قلمرو موضوعی این پژوهش صورت گرفت و پس از اعمال این نظرات در مورد محتوای پرسش‌نامه و رفع اشکالات موجود، پرسش‌نامه مور تأیید واقع شد. تجزیه و تحلیل داده‌ها به روش تحلیل شبکه عصبی SOM در نرم افزار MATLAB انجام شده است. پس از اجرای تحلیل داده‌ها، يافته‌هاي پژوهش به شناسايي پنج دستة متفاوت از مشتریان با ویژگی‌های رفتاری و جمعیت شناختی متفاوت شد. این 5 بخش عبارتند از: مشتریان کلان سنتی و ارزشمند، مشتریان طلایی، مشتریان کم ارزش، مشتریان الماسی وفادار و مشتریان خاص. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  338 - Town trip forecasting based on data mining techniques
  Mohammad Fili Majid Khedmati
  10.30495/jiei.2020.678774
  In this paper, a data mining approach is proposed for duration prediction of the town trips (travel time) in New York City. In this regard, at first, two novel approaches, including a mathematical and a statistical approach, are proposed for grouping categorical variabl أکثر

  In this paper, a data mining approach is proposed for duration prediction of the town trips (travel time) in New York City. In this regard, at first, two novel approaches, including a mathematical and a statistical approach, are proposed for grouping categorical variables with a huge number of levels. The proposed approaches work based on the cost matrix generated by repetitive post-hoc tests for different pairs. Then, a random forest model is constructed for the prediction of the type of trips, short or long. Finally, based on the trip type and each of the mathematical and statistical approaches, separate artificial neural networks (ANN) are developed to predict the duration time of the trips. According to the results, the mathematical approach performs better and provides more accurate results than the statistical approach. In addition, the proposed methods are compared with some other methods in the literature in which the results show that they perform better than all other methods. The RMSE of mathematical and statistical approaches is, respectively, 4.23 and 4.27 minutes for short trips, and the related value is 9.5 minutes for long trips. In addition, a modified version of the nearest neighborhood approach, entitled modified nearest neighborhood (MNN), is proposed for the prediction of the trip duration. This model resulted in accurate predictions where its RMSE is 4.45 minutes. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  339 - Construction cost estimation of spherical storage tanks: artificial neural networks and hybrid regression—GA algorithms
  Vida Arabzadeh S. T . A. Niaki Vahid Arabzadeh
  One of the most important processes in the early stages of construction projects is to estimate the cost involved. This process involves a wide range of uncertainties, which make it a challenging task. Because of unknown issues, using the experience of the experts or lo أکثر

  One of the most important processes in the early stages of construction projects is to estimate the cost involved. This process involves a wide range of uncertainties, which make it a challenging task. Because of unknown issues, using the experience of the experts or looking for similar cases are the conventional methods to deal with cost estimation. The current study presents data-driven methods for cost estimation based on the application of artificial neural network (ANN) and regression models. The learning algorithms of the ANN are the Levenberg–Marquardt and the Bayesian regulated. Moreover, regression models are hybridized with a genetic algorithm to obtain better estimates of the coefficients. The methods are applied in a real case, where the input parameters of the models are assigned based on the key issues involved in a spherical tank construction. The results reveal that while a high correlation between the estimated cost and the real cost exists; both ANNs could perform better than the hybridized regression models. In addition, the ANN with the Levenberg–Marquardt learning algorithm (LMNN) obtains a better estimation than the ANN with the Bayesian-regulated learning algorithm (BRNN). The correlation between real data and estimated values is over 90%, while the mean square error is achieved around 0.4. The proposed LMNN model can be effective to reduce uncertainty and complexity in the early stages of the construction project. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  340 - An integrated data envelopment analysis–artificial neural network approach for benchmarking of bank branches
  Elsa Shokrollahpour Farhad Hosseinzadeh Lotfi Mostafa Zandieh
  Efficiency and quality of services are crucial to today’s banking industries. The competition in this section has become increasingly intense, as a result of fast improvements in Technology. Therefore, performance analysis of the banking sectors attracts more atte أکثر

  Efficiency and quality of services are crucial to today’s banking industries. The competition in this section has become increasingly intense, as a result of fast improvements in Technology. Therefore, performance analysis of the banking sectors attracts more attention these days. Even though data envelopment analysis (DEA) is a pioneer approach in the literature as of an efficiency measurement tool and finding benchmarks, it is on the other hand unable to demonstrate the possible future benchmarks. The drawback to it could be that the benchmarks it provides us with, may still be less efficient compared to the more advanced future benchmarks. To cover for this weakness, artificial neural network is integrated with DEA in this paper to calculate the relative efficiency and more reliable benchmarks of one of the Iranian commercial bank branches. Therefore, each branch could have a strategy to improve the efficiency and eliminate the cause of inefficiencies based on a 5-year time forecast. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  341 - On the use of back propagation and radial basis function neural networks in surface roughness prediction
  Angelos P. Markopoulos Sotirios Georgiopoulos Dimitrios E. Manolakos
  Various artificial neural networks types are examined and compared for the prediction of surface roughness in manufacturing technology. The aim of the study is to evaluate different kinds of neural networks and observe their performance and applicability on the same pro أکثر

  Various artificial neural networks types are examined and compared for the prediction of surface roughness in manufacturing technology. The aim of the study is to evaluate different kinds of neural networks and observe their performance and applicability on the same problem. More specifically, feed-forward artificial neural networks are trained with three different back propagation algorithms, namely the adaptive back propagation algorithm of the steepest descent with the use of momentum term, the back propagation Levenberg–Marquardt algorithm and the back propagation Bayesian algorithm. Moreover, radial basis function neural networks are examined. All the aforementioned algorithms are used for the prediction of surface roughness in milling, trained with the same input parameters and output data so that they can be compared. The advantages and disadvantages, in terms of the quality of the results, computational cost and time are identified. An algorithm for the selection of the spread constant is applied and tests are performed for the determination of the neural network with the best performance. The finally selected neural networks can satisfactorily predict the quality of the manufacturing process performed, through simulation and input–output surfaces for combinations of the input data, which correspond to milling cutting conditions. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  342 - Modeling and forecasting US presidential election using learning algorithms
  Mohammad Zolghadr Seyed Armin Akhavan Niaki S. T. A. Niaki
  The primary objective of this research is to obtain an accurate forecasting model for the US presidential election. To identify a reliable model, artificial neural networks (ANN) and support vector regression (SVR) models are compared based on some specified performance أکثر

  The primary objective of this research is to obtain an accurate forecasting model for the US presidential election. To identify a reliable model, artificial neural networks (ANN) and support vector regression (SVR) models are compared based on some specified performance measures. Moreover, six independent variables such as GDP, unemployment rate, the president’s approval rate, and others are considered in a stepwise regression to identify significant variables. The president’s approval rate is identified as the most significant variable, based on which eight other variables are identified and considered in the model development. Preprocessing methods are applied to prepare the data for the learning algorithms. The proposed procedure significantly increases the accuracy of the model by 50%. The learning algorithms (ANN and SVR) proved to be superior to linear regression based on each method’s calculated performance measures. The SVR model is identified as the most accurate model among the other models as this model successfully predicted the outcome of the election in the last three elections (2004, 2008, and 2012). The proposed approach significantly increases the accuracy of the forecast. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  343 - A neuro-data envelopment analysis approach for optimization of uncorrelated multiple response problems with smaller the better type controllable factors
  Mahdi Bashiri Amir Farshbaf-Geranmayeh Hamed Mogouie
  In this paper, a new method is proposed to optimize a multi-response optimization problem based on the Taguchi method for the processes where controllable factors are the smaller-the-better (STB)-type variables and the analyzer desires to find an optimal solution with s أکثر

  In this paper, a new method is proposed to optimize a multi-response optimization problem based on the Taguchi method for the processes where controllable factors are the smaller-the-better (STB)-type variables and the analyzer desires to find an optimal solution with smaller amount of controllable factors. In such processes, the overall output quality of the product should be maximized while the usage of the process inputs, the controllable factors, should be minimized. Since all possible combinations of factors’ levels, are not considered in the Taguchi method, the response values of the possible unpracticed treatments are estimated using the artificial neural network (ANN). The neural network is tuned by the central composite design (CCD) and the genetic algorithm (GA). Then data envelopment analysis (DEA) is applied for determining the efficiency of each treatment. Although the important issue for implementation of DEA is its philosophy, which is maximization of outputs versus minimization of inputs, this important issue has been neglected in previous similar studies in multi-response problems. Finally, the most efficient treatment is determined using the maximin weight model approach. The performance of the proposed method is verified in a plastic molding process. Moreover a sensitivity analysis has been done by an efficiency estimator neural network. The results show efficiency of the proposed approach. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  344 - Forecasting S&P 500 index using artificial neural networks and design of experiments
  Seyed Taghi Akhavan Niaki Saeid Hoseinzade
  The main objective of this research is to forecast the daily direction of Standard & Poor's 500 (S&P 500) index using an artificial neural network (ANN). In order to select the most influential features (factors) of the proposed ANN that affect the daily direction of S& أکثر

  The main objective of this research is to forecast the daily direction of Standard & Poor's 500 (S&P 500) index using an artificial neural network (ANN). In order to select the most influential features (factors) of the proposed ANN that affect the daily direction of S&P 500 (the response), design of experiments are conducted to determine the statistically significant factors among 27 potential financial and economical variables along with a feature defined as the number of nodes of the ANN. The results of employing the proposed methodology show that the ANN that uses the most influential features is able to forecast the daily direction of S&P 500 significantly better than the traditional logit model. Furthermore, experimental results of employing the proposed ANN on the trades in a test period indicate that ANN could significantly improve the trading profit as compared with the buy-and-hold strategy. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  345 - On the use of multi-agent systems for the monitoring of industrial systems
  Nafissa Rezki Okba Kazar Leila Hayet Mouss Laid Kahloul Djamil Rezki
  The objective of the current paper is to present an intelligent system for complex process monitoring, based on artificial intelligence technologies. This system aims to realize with success all the complex process monitoring tasks that are: detection, diagnosis, identi أکثر

  The objective of the current paper is to present an intelligent system for complex process monitoring, based on artificial intelligence technologies. This system aims to realize with success all the complex process monitoring tasks that are: detection, diagnosis, identification and reconfiguration. For this purpose, the development of a multi-agent system that combines multiple intelligences such as: multivariate control charts, neural networks, Bayesian networks and expert systems has became a necessity. The proposed system is evaluated in the monitoring of the complex process Tennessee Eastman process. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  346 - Step change point estimation in the multivariate-attribute process variability using artificial neural networks and maximum likelihood estimation
  Mohammad Reza Maleki Amirhossein Amiri Seyed Meysam Mousavi
  In some statistical process control applications, the combination of both variable and attribute quality characteristics which are correlated represents the quality of the product or the process. In such processes, identification the time of manifesting the out-of-contr أکثر

  In some statistical process control applications, the combination of both variable and attribute quality characteristics which are correlated represents the quality of the product or the process. In such processes, identification the time of manifesting the out-of-control states can help the quality engineers to eliminate the assignable causes through proper corrective actions. In this paper, first we use an artificial neural network (ANN)-based method in the literature for detecting the variance shifts as well as diagnosing the sources of variation in the multivariate-attribute processes. Then, based on the quality characteristics responsible for the out-of-control state, we propose a modular model based on the ANN for estimating the time of step change in the multivariate-attribute process variability. We also compare the performance of the ANN-based estimator with the estimator based on maximum likelihood method (MLE). A numerical example based on simulation study is used to evaluate the performance of the estimators in terms of the accuracy and precision criteria. The results of the simulation study show that the proposed ANN-based estimator outperforms the MLE estimator under different out-of-control scenarios where different shift magnitudes in the covariance matrix of multivariate-attribute quality characteristics are manifested. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  347 - A hybrid computational intelligence model for foreign exchange rate forecasting
  M Khashei F Mokhatab Rafiei M Bijari S.R Hejazi
  Computational intelligence approaches have gradually established themselves as a popular tool for forecasting the complicated financial markets. Forecasting accuracy is one of the most important features of forecasting models; hence, never has research directed at impro أکثر

  Computational intelligence approaches have gradually established themselves as a popular tool for forecasting the complicated financial markets. Forecasting accuracy is one of the most important features of forecasting models; hence, never has research directed at improving upon the effectiveness of time series models stopped. Nowadays, despite the numerous time series forecasting models proposed in several past decades, it is widely recognized that exchange rates are extremely difficult to forecast. Artificial Neural Networks (ANNs) are one of the most accurate and widely used forecasting models that have been successfully applied for exchange rate forecasting. In this paper, a hybrid model is proposed based on the basic concepts of artificial neural networks in order to yield more accurate results than the traditional ANNs in short span of time situations. Three exchange rate data sets—the British pound, the United States dollar, and the Euro against the Iran rial-are used in order to demonstrate the appropriateness and effectiveness of the proposed model. Empirical results of exchange rate forecasting indicate that hybrid model is generally better than artificial neural networks and other models presented for exchange rate forecasting, in cases where inadequate historical data are available. Therefore, our proposed model can be a suitable alternative model for financial markets to achieve greater forecasting accuracy, especially in incomplete data situations. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  348 - An application of artificial neural network to maintenance management
  V. O. Oladokun O. E. Charles-Owaba C. S. Nwaouzru
  This study shows the usefulness of Artificial Neural Network (ANN) in maintenance planning and man-agement. An ANN model based on the multi-layer perceptron having three hidden layers and four processing elements per layer was built to predict the expected downtime resu أکثر

  This study shows the usefulness of Artificial Neural Network (ANN) in maintenance planning and man-agement. An ANN model based on the multi-layer perceptron having three hidden layers and four processing elements per layer was built to predict the expected downtime resulting from a breakdown or a maintenance activity. The model achieved an accuracy of over 70% in predicting the expected downtime. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  349 - Comparison of the performances of neural networks specification, the Translog and the Fourier flexible forms when different production technologies are used
  R Feki
  This paper investigates the performances of artificial neural networks approximation, the Translog and the Fourier flexible functional forms for the cost function, when different production technologies are used. Using simulated data bases, the author provides a compari أکثر

  This paper investigates the performances of artificial neural networks approximation, the Translog and the Fourier flexible functional forms for the cost function, when different production technologies are used. Using simulated data bases, the author provides a comparison in terms of capability to reproduce input demands and in terms of the corresponding input elasticities of substitution estimates. The results suggest that ANN provide a better approximation than other traditional functional forms only when a single technology is used. However, when elasticities of substitution are calculated, the Translog approximate batters the true technology in both single and mixed technology. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  350 - ارائه مدلی برای پیش بینی قیمت ارز دیجیتال در شرایط عدم اطمینان محیطی با شبکه عصبی مصنوعی فازی
  محمد حسین درویش متولی شیرین امینی
  چکیدهدر این تحقیق با استفاده از روش شبکه‌های‌ عصبی فازی به پیش‌بینی‌ قیمت‌ بیت‌ کوین‌ پرداخته می شود. برای شناسایی معیارهای مناسب در این تحقیق به منظور پیش بینی قیمت بیت کوین در مرحله نخست از مطالعات و تحقیقات پیشین در این حوزه استفاده نموده‌ایم. در ادامه با استفاده از أکثر

  چکیدهدر این تحقیق با استفاده از روش شبکه‌های‌ عصبی فازی به پیش‌بینی‌ قیمت‌ بیت‌ کوین‌ پرداخته می شود. برای شناسایی معیارهای مناسب در این تحقیق به منظور پیش بینی قیمت بیت کوین در مرحله نخست از مطالعات و تحقیقات پیشین در این حوزه استفاده نموده‌ایم. در ادامه با استفاده از مصاحبه با خبرگان و کارشناسان در این حوزه همچنین اطلاعات موجود در مورد بیت کوین عوامل نهایی شدند. با استفاده از سایت های مرتبط و معیارهای شناسایی شده به جمع آوری اطلاعات تحقیق پرداخته شد. به اینصورت که ابتدا اطلاعات داده های جمع آوری شده را نرمال نمودیم. در مرحله بعد با ورود اطلاعات نرمال شده به نرم افزار متلب (MATLAB) و استفاده از جعبه ابزار طراحی شده و استفاده از روش شبکه عصبی فازی به پیش بینی قیمت بیت کوین پرداخته شد. به اینصورت که 60 % داده های ورودی که شامل 1330 داده است به عنوان داده های آموزش و 40 % داده ها که 887 داده است به عنوان تست در نظر گرفته شد. نتایج تحقیق نشان از پیش بینی با دقت بالا با استفاده از روش پیشنهادی را دارد. به طوریکه در دو معیار خطای در نظر گرفته شده مقدار ناچیزی برای خطای روش محاسبه گردید. کلید واژه‌ها: پیش بینی، قیمت بیت کوین، شبکه عصبی فازی. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  351 - Estimation of Discharge over the Submerged Compound Sharp-Crested Weir using Artificial Neural Networks and Genetic Programming
  A. Abbaspour S. Hashemikia
  Truncated sharp crested weirs are used to measure flow rate and control upstream water surface in irrigation canals and laboratory flumes. The main advantages of such weirs are ease of construction and capability of measuring a wide range of flows with sufficient accura أکثر

  Truncated sharp crested weirs are used to measure flow rate and control upstream water surface in irrigation canals and laboratory flumes. The main advantages of such weirs are ease of construction and capability of measuring a wide range of flows with sufficient accuracy. Artificial neural networks (ANNs) and genetic programming (GP) have recently been used for estimation of hydraulic data. In this study, theywere used as alternative tools to estimate flow discharge over the submerged truncated weirs. The hydraulic parameter of water flow rate,Qwas determined as functions of thecrestwidth b, upstream head h, weir height P1,tail waterdepth , and flumewidth B. Estimations of the ANN and GP models were in good agreement with the measured data. The ANN model results were compared with those of the GP1,GP2, GP3and GP4 models and showedthat the proposed ANN models are much more accurate than the GP models.In addition, GP2 model has a better performance than GP1,GP3, GP4models. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  352 - Evaluation of Artificial Intelligent Methods to Release Sediments from Reservoirs by Pressurized Flushing
  Milad Abdolahpour Ali Hosseinzadeh Dalir Hadi Sanikhani
  Sedimentation in reservoirs is an important issue that should be considered for the reservoirs operation and useful life. In this study, application of the Adaptive Neuro-Fuzzy Inference System (ANFIS) and Artificial Neural Network (ANN) in prediction of the sediment re أکثر

  Sedimentation in reservoirs is an important issue that should be considered for the reservoirs operation and useful life. In this study, application of the Adaptive Neuro-Fuzzy Inference System (ANFIS) and Artificial Neural Network (ANN) in prediction of the sediment release from the bottom outlet using semi-cylinder for different variables was evaluated. Dimensionless parameters such as dimensionless length and height of the gap and water level were considered. The results indicated that both ANFIS and ANN hadan acceptable performance in this matter. The best performance of the ANFIS and ANN models had root mean square errors equal to 3.95×10-5 and 4.34×10-5, respectively. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  353 - Long-term Streamflow Forecasting by Adaptive Neuro-Fuzzy Inference System Using K-fold Cross-validation: (Case Study: Taleghan Basin, Iran)
  Reza Esmaeelzadeh Alireza Borhani Dariane
  Streamflow forecasting has an important role in water resource management (e.g. flood control, drought management, reservoir design, etc.). In this paper, the application of Adaptive Neuro Fuzzy Inference System (ANFIS) is used for long-term streamflow forecasting (mont أکثر

  Streamflow forecasting has an important role in water resource management (e.g. flood control, drought management, reservoir design, etc.). In this paper, the application of Adaptive Neuro Fuzzy Inference System (ANFIS) is used for long-term streamflow forecasting (monthly, seasonal) and moreover, cross-validation method (K-fold) is investigated to evaluate test-training data in the model.Then, the results are compared with those of the typical validation method (i.e., using 75% of data for training and the remaining 25% for testing the validity of the trained model). Study area is Taleghan basin located in northwestern Tehran basin, Iran. The data used in this research consists of 19 years of monthly streamflow, precipitation and temperature records. To apply temperature and precipitation data in the model, the whole basin was divided into sub-basins and average values of each parameter for each sub-basin were allocated as model input. Finally, results were compared with those of the ANN model. It was found that the K-fold validation method leads to better performance than the typical method in terms of statistical indices. In addition, the results indicated the superiority of ANFIS model over ANN model in long-term forecasting. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  354 - مقایسه مدلهای قیمت گذاری دارایی سرمایه ای،سه عاملی فاما و فرنچ و شبکه های عصبی مصنوعی در پیش بینی بازار سهام ایران
  سیده محبوبه جعفری جواد میثاقی فاروجی میثم احمد وند
  در تحقیق حاضر،توان مدل سه متغیره فاما و فرنچ(1993)،ارزش گذاری دارایی هایی سرمایه ای و شبکه های عصبی مصنوعی در تبیین بازده سهام در بورس اوراق بهادار تهران مقایسه و سعی شده است به این پرسش پاسخ داده شود که قدرت پیش بینی کدام یک بیشتر است. متغیرهای مدل فاما وفرنچ عبارتند ا أکثر

  در تحقیق حاضر،توان مدل سه متغیره فاما و فرنچ(1993)،ارزش گذاری دارایی هایی سرمایه ای و شبکه های عصبی مصنوعی در تبیین بازده سهام در بورس اوراق بهادار تهران مقایسه و سعی شده است به این پرسش پاسخ داده شود که قدرت پیش بینی کدام یک بیشتر است. متغیرهای مدل فاما وفرنچ عبارتند از بازده مازاد بازار،اندازه و نسبت ارزش دفتری به ارزش بازار و متغیر وابسته بازده پرتقوی سهام دوره زمانی 5 ساله از ابتدای 1385 تا 1389 است.در هر بازه سه ماهه از دوره تحقیق،بر اساس اندازه و نسبت ارزش دفتری به ارزش بازار،شرکتهای نمونه به 6 پر تقوی تقسیم و فرضیه های تحقیق بر مبنای این پرتقوی ها آزمون شده است. نتایج به دست آمده نشان می دهد که توان مدل سه متغیره فاما و فرنچ بالاتر از مدلهای قیمت گذاری دارایی های سرمایه ای است:همچنین،مدلهای یک متغیره و سه متغیره شبکه عصبی عملکردی بهتر از مدلهای متناظر دارند تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  355 - شبکه‌های عصبی مصنوعی : مدلی برای پیش‌بینی
  حسین پور شهریار کاظم طباطبایی محمدکریم خداپناهی انوشیروان کاظم‌نژاد ثریا خفری
  با توجه به محدودیتها و ابهامهای موجود در مدلهای متداول آماری مانند از دست دادن داده‎های مربوط به تعاملهای پیچیده و غیرخطی بین سازه‎های روان‎شناختی و برخی مفروضه‎ها مانند همگونی واریـانسها و توزیع نرمال، پژوهش حاضر توانایی مدلهای شبکه‎های عصبی مصنوعی أکثر

  با توجه به محدودیتها و ابهامهای موجود در مدلهای متداول آماری مانند از دست دادن داده‎های مربوط به تعاملهای پیچیده و غیرخطی بین سازه‎های روان‎شناختی و برخی مفروضه‎ها مانند همگونی واریـانسها و توزیع نرمال، پژوهش حاضر توانایی مدلهای شبکه‎های عصبی مصنوعی را برای مطالعات پیش‎بینی بررسی کرد. گروه‎ نمونه‎ای شامل 456 دانش‎‌ـ آموز پسر سال سوم دبیرستان پرسشنامه شخصیتی کالیفرنیا (CPI؛ گاف، 1975) و پرسشنـامه همسازی دانـش‎آموزان مدرسه (AISS، سینها و سینگ، 1993) را تکمیل و در پنج سطح همسازی (از ناسازگار تا کاملاً سـازگار) طبقه‎بندی شدند. تحلیل عاملی ترکیبهـای مختلف رگه‎هـای شخصیتی نشان داد که برخی از شبکه‎ها به دلیل ناهمخوانی بین تعداد متغیرها و معماریهای شبکه، نمی‎توانند همسازی را پیش‎بینی کنند. اما بازنگری معمـاری‎ها و تکرار شبکه‎هـای جدید نسبت پیش‎بینی درست (نسبـت طبقه‎بندی شرکت‎کنندگان در سطوح همسازی مبتنی بر AISS) را بـه گونه‌ای معنـادار افـزایش داد. مـناسب‎ترین شبکـه برای پیش‎بیـنی همسازی شامـل ترکیبی از متغیرهای شنـاختی انعطاف‎پذیری، زنانگی، اشتراک و تحمل بود. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  356 - Analog Circuit Complementary Optimization Based on Evolutionary Algorithms and Artificial Neural Network
  Behzad Rajabi Farhad Razaghian
  In analog circuit optimization, obtaining optimal point that can satisfy various kinds of specifications is posed as goal of design. Utilization of evolutionary algorithms was introduced as a useful method but speed of convergence and ensure to access optimal point are أکثر

  In analog circuit optimization, obtaining optimal point that can satisfy various kinds of specifications is posed as goal of design. Utilization of evolutionary algorithms was introduced as a useful method but speed of convergence and ensure to access optimal point are these method most challenges. In this paper the Multi-Layer Perceptron (MLP) artificial neural network is applied to access the suitable point appropriate different specifications values of analog circuit. This point used in optimization algorithm to find reliable response. Neural network itself is trained by training database is collected during initial optimization process. The link of HSPICE and MATLAB is used for circuit simulation and evaluation during the process. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  357 - Computational Intelligence Methods for Facial Emotion Recognition: A Comparative Study
  Fatemeh Shahrabi Farahani Mansour Sheikhan
  Emotion recognition plays a critical role in the human communications. It is one of the major ways to be in touch with others. Four parameters including eye opening size, mouth opening size, ratio of eye opening size to eye width and mouth width are used as a reduced-si أکثر

  Emotion recognition plays a critical role in the human communications. It is one of the major ways to be in touch with others. Four parameters including eye opening size, mouth opening size, ratio of eye opening size to eye width and mouth width are used as a reduced-size feature set in this study. This paper compares the performance of facial emotion recognition classification models based on the following computational intelligence methods: fuzzy logic, chaotic gravitational search algorithm (CGSA), and artificial neural network (ANN) from eyes and mouth features tested on the FACES database. Experimental results show the superior performance of ANN-based method compared to fuzzy- and CGSA-based methods. In addition, this comparative study triggers the idea of a hybrid system based on these computational methods that outperforms the human detection system. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  358 - Predicting the Risk of Diabetes in Iranian Patients with β-Thalassemia Major / Intermedia Based on Artificial Neural Network
  Fatemeh Yousefian Touraj Banirostam Azita Azarkeivan
  The purpose of this study is to predict catching diabetes in patients having the β-thalassemia. Here, an intelligent system predicts risk of catching diabetes in patients having major thalassemia and intermedia, using multilayer perceptron according to the thalasse أکثر

  The purpose of this study is to predict catching diabetes in patients having the β-thalassemia. Here, an intelligent system predicts risk of catching diabetes in patients having major thalassemia and intermedia, using multilayer perceptron according to the thalassemia dataset, ZAFAR. In this work, the clinical characteristics of 255 patients, having β-thalassemia, have been studied in two groups of diabetic and non- diabetic patients. Research data includes gender, age, parental family relationship, type of thalassemia, the spleen, gall bladder and liver condition, the age of blood transfusion, blood transfusion intervals, the number of received blood units in each period, the condition of iron overload, the age of start iron chelation therapy, the average of heart T2 rates, the liver T2 and LIC, the number of years having MRI, serum ferritin level, glucose and the number of years the patient was observe. The accuracy of artificial neural network in diagnosing the patients having thalassemia and exposing diabetes would be 80.78% according to the collected dataset. The accuracy rate of the system is 89.48%, using this intelligent system and doing pre-processing. This system has a desirable performance in predicting catching diabetes in patients having β-thalassemia. The best mean square error in this model is 0.07 which results in reducing learning time and increasing the system accuracy. Based on the obtained results from this system, there are two important factors in catching diabetes by the patients having β-thalassemia; first the number of years passed by patient with the high serum ferritin level and second is the glucose level rate in previous years long. The purpose of this study is to predict catching diabetes in patients having the β-thalassemia. Here, an intelligent system predicts risk of catching diabetes in patients having major thalassemia and intermedia, using multilayer perceptron according to the thalassemia dataset, ZAFAR. In this work, the clinical characteristics of 255 patients, having β-thalassemia, have been studied in two groups of diabetic and non- diabetic patients. Research data includes gender, age, parental family relationship, type of thalassemia, the spleen, gall bladder and liver condition, the age of blood transfusion, blood transfusion intervals, the number of received blood units in each period, the condition of iron overload, the age of start iron chelation therapy, the average of heart T2 rates, the liver T2 and LIC, the number of years having MRI, serum ferritin level, glucose and the number of years the patient was observe. The accuracy of artificial neural network in diagnosing the patients having thalassemia and exposing diabetes would be 80.78% according to the collected dataset. The accuracy rate of the system is 89.48%, using this intelligent system and doing pre-processing. This system has a desirable performance in predicting catching diabetes in patients having β-thalassemia. The best mean square error in this model is 0.07 which results in reducing learning time and increasing the system accuracy. Based on the obtained results from this system, there are two important factors in catching diabetes by the patients having β-thalassemia; first the number of years passed by patient with the high serum ferritin level and second is the glucose level rate in previous years long. The purpose of this study is to predict catching diabetes in patients having the β-thalassemia. Here, an intelligent system predicts risk of catching diabetes in patients having major thalassemia and intermedia, using multilayer perceptron according to the thalassemia dataset, ZAFAR. In this work, the clinical characteristics of 255 patients, having β-thalassemia, have been studied in two groups of diabetic and non- diabetic patients. Research data includes gender, age, parental family relationship, type of thalassemia, the spleen, gall bladder and liver condition, the age of blood transfusion, blood transfusion intervals, the number of received blood units in each period, the condition of iron overload, the age of start iron chelation therapy, the average of heart T2 rates, the liver T2 and LIC, the number of years having MRI, serum ferritin level, glucose and the number of years the patient was observe. The accuracy of artificial neural network in diagnosing the patients having thalassemia and exposing diabetes would be 80.78% according to the collected dataset. The accuracy rate of the system is 89.48%, using this intelligent system and doing pre-processing. This system has a desirable performance in predicting catching diabetes in patients having β-thalassemia. The best mean square error in this model is 0.07 which results in reducing learning time and increasing the system accuracy. Based on the obtained results from this system, there are two important factors in catching diabetes by the patients having β-thalassemia; first the number of years passed by patient with the high serum ferritin level and second is the glucose level rate in previous years long. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  359 - Hardware Implementation of LIF and HH Spiking Neuronal Models
  Pooya Soleimani Abhari Farhad Razaghian
  This paper presents a hardware implementation of both Hodgkin-Huxley (HH) and Leaky Integrate and Fire (LIF) spiking neuronal models. FPGA is used as digital platform due to flexibility and reconfigureability. The proposed neural models are simulated by MatLab and the r أکثر

  This paper presents a hardware implementation of both Hodgkin-Huxley (HH) and Leaky Integrate and Fire (LIF) spiking neuronal models. FPGA is used as digital platform due to flexibility and reconfigureability. The proposed neural models are simulated by MatLab and the results are compared with the HDL software’s output in order to evaluate the design. Simple architecture uses two counters and a comparator used as the main part of leaky Integrate and Fire model. For the Hodgkin and Huxley model a Look Up Table based structure is utilized. Although it consumes large amount of area, it results more reasonable propagation delay time hence higher operating frequency. The proposed architectures are evaluated on Stratix III device using Quartus II simulator. Maximum operating frequency of 583 MHz (limited to 500 MHz due to the device port rate) and 76 MHz are achieved for the LIF and HH architectures respectively. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  360 - Single spiking neuron as direct digital frequency synthesizer
  Pooya Soleimani Abhari Farhad Razaghian Saeed Talebi Toti
  According to the neuroscience, studies on third generation of neural networks called spik- ing neural networks (SNN) have been developed recently. SNNs are used to model natural comput- ing of the brain. Spike train based networks are investigated as signal processing o أکثر

  According to the neuroscience, studies on third generation of neural networks called spik- ing neural networks (SNN) have been developed recently. SNNs are used to model natural comput- ing of the brain. Spike train based networks are investigated as signal processing of the brain is an objective. This paper propose a digital hardware implementation of a single spiking neuron. The neuron is used as a direct digital frequency synthesizer. The proposed architecture uses leaky integrate and fire (LIF) neuronal model which is easy to implement. Inter spike interval (ISI) of the input and the output spikes are used as coding scheme. A FPGA platform is utilized due to its flexibility and real time applications. The simulation results of both Matlab and Quartus II indicate acceptable accuracy of the proposed design compared to the related works. The Verilog language is used for hardware simulation. The maximum operating frequency of 250 MHz is reached on Cyclone III device. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  361 - Parallel Shared Hidden Layers Auto-encoder as a Cross-Corpus Transfer Learning Approach for Unsupervised Persian Speech Emotion Recognition
  Yousef Pourebrahim Farbod Razzazi Hossein Sameti
  Detecting emotions from speech is one of the challenging topics in speech signal processing, especially in low resource languages. Extracting common features between the training and testing set, using unsupervised method, can solve the inconsistency difficulty between أکثر

  Detecting emotions from speech is one of the challenging topics in speech signal processing, especially in low resource languages. Extracting common features between the training and testing set, using unsupervised method, can solve the inconsistency difficulty between training and test data. In this study, a new auto-encoder based structure is proposed as a new unsupervised method for domain adaptation. To this end, the proposed structure is made of shared encoders to learn common feature representations, shared across the source and the target domain datasets to minimize the discrepancy between them. In order to evaluate the performance of the proposed method, five generally available databases in different languages were used as training and testing datasets. Results on various scenarios demonstrated that the proposed method improves the classification performance significantly compared to the baseline and state of the art unsupervised domain adaptation methods for emotional speech recognition. As an example, the proposed method improved the emotion recognition rate in Persian emotional speech dataset (PESD) by 8% compared to cross corpus training when the source training set is EMOVO. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  362 - Brain Tumor Detection Using Deep Transfer Learning Method
  Alireza Fazelnia Hassan Masoumi Mohammad Fatehi Jasem Jamali
  Accurate brain tumor MR images detection plays an important role in diagnosis and treatment decision making. The machine learning methods for classification only uses low-level or high-level features, to tackle the problem of classifications using some handcrafted featu أکثر

  Accurate brain tumor MR images detection plays an important role in diagnosis and treatment decision making. The machine learning methods for classification only uses low-level or high-level features, to tackle the problem of classifications using some handcrafted features. Development on deep learning, transfer learning and deep convolution neural networks (CNNs) has shown great progress and has succeeded in the image classification task. Deep learning is very powerful for feature representation. In this study, deep transfer learning method for features extraction and detection is used that it does not use any handcrafted features, and needs minimal preprocessing. Transfer learning is a method of transferring information during training and testing. In this study, features extraction from images with pre-trained CNN method, namely, GoogLeNet, VGGNet and AlexNet, for tumor detection is used. The accuracy of tumor detection is 99.84%. The results show that our method, shows the best accuracy for detections tumor تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  363 - Persian Speech Recognition Through the Combination of ANN/HMM
  Ladan Khosravani pour Ali Farrokhi
  The goal is to create a speech recognition system that is able to recognize Persian speech. Pro-sodic speech is attributed to the hierarchical structure from speech rhythm and tonal expression to the smallest syllable components and provides important information about أکثر

  The goal is to create a speech recognition system that is able to recognize Persian speech. Pro-sodic speech is attributed to the hierarchical structure from speech rhythm and tonal expression to the smallest syllable components and provides important information about trans segmental features such as F0 (fundamental frequency), intensity, and duration, which are crucial for natu-ral sound. Prosodic features are highly language dependent, however, the relationship between linguistic features and prosodic data is not well understood in some languages. While relatively high-performance prosodic generators have been developed for many languages, very limited work has been done on prosodic generators in Farsi. In this article, we first use a simple four-layer RNN to extract prosodic information, then we investigate the hybrid ANN/HMM model for Persian speech recognition. 210 samples of the speech of a male person were collected and after removing the noise, 47 of the samples were manually labeled phonetically. Then, the remaining training samples were automatically labeled and new neural networks (ANN) were created for the final recognition of the three-layer MLP type. Four methods including MEL, MEL derivative, energy, and energy derivative were used to extract features, and the values of each of these four methods were combined and given to the neural network. Then we use the neural network to classify these feature vectors and get the most similar vowels. We give the order of vowels as "observations" to HMMs (which are created based on pronunciations) and then find the most probable HMM (or in other words, the most words) to the input sound and output it. By applying recognition on 99.4% of test data, we even reached 100% accuracy in one case, which is a very favorable result considering the small number of speech data تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  364 - کاربرد الگوریتم های فراابتکاری در پیش بینی درماندگی مالی با استفاده از متغیرهای مالی و غیرمالی درون شرکتی و اقتصادی (الگوریتم های بهینه سازی مـلخ و کلونی مورچگان)
  فریدون مرادی احمد یعقوب نژاد آزیتا جهانشاد
  10.30495/fed.2023.1962198.2734
  هدف این پژوهش ارزیابی توانمندی الگوریتم فراابتکاری بهینه‌سازی ملخ (GOA) در پیش‌بینی دقیق‌تر درماندگی مالی با استفاده از متغیرهای درون‌شرکتی (مالی و غیرمالی) و اقتصادی می‌باشد. روش این پژوهش بهبود عملکرد مدل پایه شبکه عصبی مصنوعی پرسپترون چندلایه (ANN-MLP) از طریق ایجاد أکثر

  هدف این پژوهش ارزیابی توانمندی الگوریتم فراابتکاری بهینه‌سازی ملخ (GOA) در پیش‌بینی دقیق‌تر درماندگی مالی با استفاده از متغیرهای درون‌شرکتی (مالی و غیرمالی) و اقتصادی می‌باشد. روش این پژوهش بهبود عملکرد مدل پایه شبکه عصبی مصنوعی پرسپترون چندلایه (ANN-MLP) از طریق ایجاد مدل ترکیبی مبتنی بر الگوریتم ملخ (MLP-GOA) و مقایسه توانمندی آن با عملکرد مدل ترکیبی مبتنی بر الگوریتم کلونی مورچگان (MLP-ACO) می‌باشد. جامعه آماری پژوهش شرکت‌های فعال در بازار بورس اوراق بهادار تهران طی یک دوره 7 ساله (از 1391 تا 1397) شامل 476 شرکت بوده که در نهایت با حذف سیستماتیک، 289 شرکت حایز شرایط (شامل 2023 مشاهده سال- شرکت) مورد بررسی و غربالگری قرار گرفته است. آزمون فرضیه‌ها برمبنای معیارهای ارزیابی ماتریس اغتشاش و منحنی ROC انجام شد. یافته‌ها توانمندی مدل پایه ANN-MLP در پیش‌بینی درماندگی مالی با استفاده از متغیرهای مالی و غیرمالی را اثبات نمود و علاوه بر آن، الگوریتم-های فراابتکاری از طریق مدل‌های MLP-GOA و MLP-ACO عملکرد مدل پایه شبکه عصبی را بهبود دادند. دقت مــدل MLP-GOA برای سال وقوع درماندگی تا دو سال قبل از آن به ترتیب 3/97%، 5/94% و 3/91% بوده است که از دقت مدل پایه و مدل MLP-ACO نیز بیشتر بوده است. همچنین نتایج نشان داد که با ورود متغیرهای اقتصادی، اگر چه توانمندی کلیه مدل‌های پایه و ترکیبی به نحو معنی‌داری افزایش یافته است، لیکن درماندگی مالی بیشتر متاثر از متغیرهای درون‌شرکتی بوده و در واقع اثر متغیرهای اقتصادی بر این رخداد، قبلاً از طریق اثر بر رویدادهای مالی ثبت شده در سیستم حسابداری، لحاظ شده است. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  365 - شناسایی و تحلیل نقش عوامل موثر بر گروه‌هایاصلی تشکیل‌دهنده تورم در ایران با رویکرد شبکه عصبی مصنوعی
  سید سجاد علم الهدی سمانه طریقی مهدی شعبان زاده امین خواجویی پور
  چکیده بسیاری از اقتصاددانان معتقدند اهمیت نرخ تورم بیشتر از دیگر شاخص‌های اقتصادی است، چرا که تورم اثرهای متعددی بر جنبه‌های مختلف اقتصادی و اجتماعی جامعه دارد. با این رویکرد، مطالعه حاضر به شناسایی و تحلیل حساسیت عوامل موثر بر گروه‌هایاصلی تشکیل‌دهنده تورم در برنامه چ أکثر

  چکیده بسیاری از اقتصاددانان معتقدند اهمیت نرخ تورم بیشتر از دیگر شاخص‌های اقتصادی است، چرا که تورم اثرهای متعددی بر جنبه‌های مختلف اقتصادی و اجتماعی جامعه دارد. با این رویکرد، مطالعه حاضر به شناسایی و تحلیل حساسیت عوامل موثر بر گروه‌هایاصلی تشکیل‌دهنده تورم در برنامه چهارم توسعه پرداخته است. جهت دستیابی به این هدف، ابتدا از میان ۱۲ گروه کالایی اصلی تشکیل‌دهنده شاخص بهای کالاها و خدمات مصرفی(CPI)، مهم‌ترین گروه‌های کالایی تشکیل‌دهنده CPI‌، با استفاده از نمونه تحلیل حساسیت شبکه عصبی مصنوعی شناسایی شدند. سپس اثر عوامل بر مهم‌ترین گروه‌های کالایی تشکیل‌دهنده CPI مورد بررسی قرار گرفته است. نتایج حاصل از مطالعه حاضر نشان می‌دهد از میان کالاهای گروه‌هایاصلی، گروه خوراکی‌ها و آشامیدنی‌ها (گروه ۱)، گروه مسکن، آب، برق، گاز و سایر سوخت‌ها (گروه ۴) و همچنین کالاهای گروه حمل‌ونقل (گروه ۷) نسبت به سایر گروه‌ها بیشترین نقش را در ایجاد تورم داشته‌ و به ترتیب ۱۵/۲۲، ۱۹/۱۳ و ۲۳/۱۲ درصد از کل تغییرات ایجادشده در CPI را طی دوره مورد بررسی توضیح می‌دهند. همچنین نتایج مطالعه حاضر بیان‌گر آن است که کالاهای گروه ۱ طی دوره مورد بررسی بیشتر تحت تأثیر تغییرهای نقدینگی، نرخ ارز بازار آزاد و شکاف تولید ناخالص داخلی، کالاهای گروه۴ تحت تأثیر نرخ بازدهی اجاره مسکن در مناطق شهری و در نهایت کالاهای گروه ۷ بیشتر تحت تأثیر حجم نقدینگی، انتظارهای تورمی و نرخ ارز بازار آزاد قرار داشته‌‌اند تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  366 - ارزیابی مدل‏های خطی و غیرخطی در پیش‏بینی شاخص قیمت سهام در بورس اوراق بهادار تهران
  علی اکبر خسروی نژاد مرجان شعبانی صدر پیشه
  باتوجه به تاثیر بازار بورس در تامین مالی و توسعه کشور، یافتن روشی مناسب برای پیش بینی بازار سهام اهمیت بسیاری دارد. به دلیل امکان وجود روابط غیرخطی در بازارهای مالی، هدف این مقاله، ارزیابی قدرت پیش بینی مدل های خطی و غیرخطی در بازار سهام است. ابتدا با استفاده از مدل سری أکثر

  باتوجه به تاثیر بازار بورس در تامین مالی و توسعه کشور، یافتن روشی مناسب برای پیش بینی بازار سهام اهمیت بسیاری دارد. به دلیل امکان وجود روابط غیرخطی در بازارهای مالی، هدف این مقاله، ارزیابی قدرت پیش بینی مدل های خطی و غیرخطی در بازار سهام است. ابتدا با استفاده از مدل سری های زمانی و شبکه عصبی مصنوعی[i]، متغیر هفتگی شاخص قیمت سهام در بورس اوراق بهادار تهران در سال های 83 تا 87 برآورد شده و سپس قدرت پیش بینی دو مدل در سال های 87 تا 89 آزمون شده است. نتایج، بیانگر عدم اختلاف معنی دار دو مدل می باشد [i]. Artifitial Neural Network تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  367 - بررسی امکان پیش بینی شاخص قیمت سهام در بازار سرمایه ایران و مقایسه توان پیش بینی مدلهای خطی و غیرخطی
  کریم امامی قدرت الله امام وردی
  سری های زمانی بسیار پیچیده مانند قیمتهای بازار سهام،معمولا تصادفی بوده ،در نتیجه تغییرات آنها غیر قابل پیش بینی فرض می شود.در بیشتر موارد در بررسی مشاهدات اماری مربوط به متغیرهای اقتصادی از جمله قیمت بازار سهام از آزمونهایی استفاده شده که در مواجهه با داده های آشوبی به أکثر

  سری های زمانی بسیار پیچیده مانند قیمتهای بازار سهام،معمولا تصادفی بوده ،در نتیجه تغییرات آنها غیر قابل پیش بینی فرض می شود.در بیشتر موارد در بررسی مشاهدات اماری مربوط به متغیرهای اقتصادی از جمله قیمت بازار سهام از آزمونهایی استفاده شده که در مواجهه با داده های آشوبی به اشتباه افتاده و انها را در داده های تصادفی تشخیص داده اند.در حالی که این داده ها در واقع،از مقام های معینی به و جود می ایند که با اختلالاتی جزیی همراه می باشد.به همین دلیل آزمونهای پیش بینی پذیری و غیر خطی برای بررسی و جود روند آشوبی معین و فرایندهای غیر خطی در سری زمانی شاخص روزانه سهام بازار اوراق بهادار تهران در بازه زمانی 1379/8/1 تا 1386/7/2 مورد استفاده قرار داده ایم که از جمله می توان به آزمونهای BDS,HURST، تسلسل و بعد همبستگی اشاره نمود که نتایج به دست آمده نشان دهنده پیش بینی پذیری و وجود روند غیر خطی در داده های مورد بررسی بوده است.پس از حصول اطمینان از پیش بینی پذیری و وجود روند غیر خطی در داده های شاخص روزانه سهام،جهت ارائه مدل مناسب برای پیش بینی شاخص قیمت سهام،مدل های سری زمانی خطی (AR) و غیر خطی(GARCH)و شبکه عصبی مصنوعی(ANN) برآورد کرده،سپس،نتایج به دست امده از پیش بینی توسط این مدلها را با استفاده از معیارهای CDC,RMSE,MAE,MAPEو آماره U-THEILمورد مقایسه قرار داده ایم.نتایج به دست امده از مقایسه توان پیش بینی این مدلها بیانگر توان بالای پیش بینی در مدلهای شبکه عصبی مصنوعی نسبت به مدلهای دیگر است. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  368 - ارائه مدل پیش‌بینی بازدهی بیت‌کوین با استفاده از روش هیبریدی یادگیری عمیق - الگوریتم تجزیه سیگنال (CEEMD- DL)
  سکینه صیادی نژاد علی اسماعیل زاده محمدرضا رستمی
  10.30495/fed.2023.700133
  چکیده با افزایش محبوبیت و فراگیر شدن رمزارزها، ایجاد و توسعه روش های پیش بینی حرکت های قیمتی در این حوزه، توجهات زیادی را به خود جلب کرده است. در این بین مدل های یادگیری عمیق (DL) با ساختارهایی مانند حافظه طولانی کوتاه مدت (LSTM) و شبکه عصبی کانولوشنی (CNN) پیشرفت هایی أکثر

  چکیده با افزایش محبوبیت و فراگیر شدن رمزارزها، ایجاد و توسعه روش های پیش بینی حرکت های قیمتی در این حوزه، توجهات زیادی را به خود جلب کرده است. در این بین مدل های یادگیری عمیق (DL) با ساختارهایی مانند حافظه طولانی کوتاه مدت (LSTM) و شبکه عصبی کانولوشنی (CNN) پیشرفت هایی در تحلیل این نوع از داده ها ایجاد کرده است. یکی دیگر از رویکردهایی که می تواند در تحلیل قیمتی بازار رمزارزها کارا باشد تجزیه سیگنال های از طریق الگوریتم هایی مانند تجزیه مد تجربی یکپارچه کامل (CEEMD) می باشد. با توجه به اهمیت مقوله پیش بینی در بازار رمز ارزها، در این تحقیق با ترکیب مدل های یادگیری عمیق و روش تجزیه مد تجربی یکپارچه کامل (CEEMD)، مدل هیبریدی CEEMD- DL(LSTM) به منظور پیش بینی بازدهی قیمتی رمز ارز بیت کوین (به عنوان محبوب ترین رمز ارز) مورد استفاده قرار گرفته است. در این راستا از داده های روزانه قیمتی بیت کوین در دوره زمانی01/01/2013 - 28/05/2022 استفاده گردید و نتایج بدست آمده با نتایج مدل های رقیب بر اساس معیارهای سنجش کارایی مقایسه شد. بر اساس نتایج بدست آمده، استفاده از مدل معرفی شده (CEEMD- DL(LSTM)) ، کارایی و دقت پیش بینی های بازدهی رمزارز بیت کوین را افزایش داده است. بر همین اساس کاربرد این مدل به منظور پیش بینی در این حوزه پیشنهاد می گردد. واژه‌های کلیدی: مدل های یادگیری عمیق (DL)، تجزیه مد تجربی یکپارچه کامل (CEEMD)، بیت کوین، تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  369 - ارائه مدل جامع جهت اندازه‌گیری ریسک نقدینگی بانک‌های پذیرفته‌شده در بورس اوراق بهادار تهران(مطالعه موردی: بانک ملت)
  تورج آذری مجتبی دستوری رضا تهرانی
  10.30495/fed.2022.694721
  چکیدهعدم مدیریت نقدینگی بانک‌ها یکی از مهم‌ترین ریسک‌های هر بانک می‌باشد و کم‌توجهی به ریسک نقدینگی منجر به عواقب جبران‌ناپذیر می‌شود. جلوگیری از وقوع ریسک نقدینگی نیازمند یک روش اندازه‌گیری جامع می‌باشد؛ اما ریسک نقدینگی موضوعی پیچیده است و این پیچیدگی ارائه یک تعریف م أکثر

  چکیدهعدم مدیریت نقدینگی بانک‌ها یکی از مهم‌ترین ریسک‌های هر بانک می‌باشد و کم‌توجهی به ریسک نقدینگی منجر به عواقب جبران‌ناپذیر می‌شود. جلوگیری از وقوع ریسک نقدینگی نیازمند یک روش اندازه‌گیری جامع می‌باشد؛ اما ریسک نقدینگی موضوعی پیچیده است و این پیچیدگی ارائه یک تعریف مناسب را دشوار می‌سازد. علاوه بر این، تعریف فاکتورهای تعیین‌کننده ریسک نقدینگی و فرمول‌بندی تابع هدف مرتبط برای تقریب و پیش‌بینی مقدار آن پیچیده‌ است. در این تحقیق برای مقابله با این مشکلات و ارزیابی ریسک نقدینگی و فاکتورهای کلیدی آن، مدلی را پیشنهاد می‌کنیم که از شبکه‌های عصبی مصنوعی و بیزی استفاده ‌می‌کند. طراحی و اجرای این مدل شامل چندین الگوریتم و آزمایش جهت اعتبارسنجی است. در این مقاله از الگوریتم‌های بهینه‌سازی لونبرگ-مارکوارت و ژنتیک جهت آموزش شبکه‌ عصبی مصنوعی استفاده کرده‌ایم. همچنین یک مطالعه موردی در بانک ملت برای نشان دادن قابلیت اجرا، کارایی، دقت و انعطاف‌پذیری مدل اندازه‌گیری ریسک نقدینگی تحقیق، پیاده‌سازی کرده‌ایم. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  370 - رویکردها و ابزارهای پیش بینی هوشمند فازی در حوزه ارزهای دیجیتال
  داود زارع خانقاه علی محمدی محمد ایمانی برندق امیر نجفی
  10.30495/fed.2024.709350
  چکیده سیستم های ترکیبی مبتنی بر شبکه های عصبی مصنوعی و سیستم های فازی مدل های مختلفی را برای پیشرفت علم ارائه می دهند از آنجا که آنها مدل هایی هستند که می توانند با آموزش عملی شبکه های عصبی و ظرفیت تفسیری سیستم های فازی کار کنند. لذا هدف این پژوهش، بررسی سیستماتیک مهمت أکثر

  چکیده سیستم های ترکیبی مبتنی بر شبکه های عصبی مصنوعی و سیستم های فازی مدل های مختلفی را برای پیشرفت علم ارائه می دهند از آنجا که آنها مدل هایی هستند که می توانند با آموزش عملی شبکه های عصبی و ظرفیت تفسیری سیستم های فازی کار کنند. لذا هدف این پژوهش، بررسی سیستماتیک مهمترین تئوری های پیش بینی ارز دیجیتال مبتنی بر مدل های ترکیبی فازی و شبکه های عصبی مصنوعی است مدل هایی که عمدتاً بر روش های نظارت شده جهت سنجش مدل های ترکیبی متمرکز هستند همچنین، این بررسی ، تاریخچه مدل های ترکیبی، ترکیبات و قابلیت های معماری ، پردازش داده ها و روش های سنجش آنها، ویژگی های مدل های برجسته(پیشرو) و کاربردهای آنها در پیش بینی ارز دیجیتال را نیز شامل می شود نتایج نشان می دهد که مدل های شبکه عصبی فازی و مشتقات آنها در پیش بینی ارز دیجیتال با دقت بسیار بالا و با قابلیت توجیه مناسب که در طیف وسیعی از حوزه های اقتصادی و علمی کاربرد دارد، کارآمد هستند تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  371 - پیش بینی پویا درماندگی مالی: مطالعه موردی
  حمید رحیمی مهرزاد مینویی محمد رضا فتحی
  10.30495/fed.2024.709360
  چکیده با توجه به شرایط اقتصادی امروز کشور، تعداد شرکت‌های درمانده و اهمیت درماندگی مالی روزبه‌روز در حال افزایش است. افزایش عوامل اقتصادی تأثیرگذار بر درماندگی مالی نیز بر پیچیدگی تصمیم‌گیری در سرمایه‌گذاری این شرکت‌ها افزوده است. به همین منظور رویکرد ارائه‌شده در این أکثر

  چکیده با توجه به شرایط اقتصادی امروز کشور، تعداد شرکت‌های درمانده و اهمیت درماندگی مالی روزبه‌روز در حال افزایش است. افزایش عوامل اقتصادی تأثیرگذار بر درماندگی مالی نیز بر پیچیدگی تصمیم‌گیری در سرمایه‌گذاری این شرکت‌ها افزوده است. به همین منظور رویکرد ارائه‌شده در این پژوهش با در نظر گرفتن انواع معیارهای مالی، امکان پویاسازی پیش‌بینی درماندگی مالی را برای این تصمیم‌گیرندگان فراهم می سازد. رویکرد معرفی‌شده در این پژوهش ابتدا با خوشه‌بندی شرکت ها در خوشه متناسب درمانده مالی و غیر درمانده به کمک روش شبکه عصبی مصنوعی، نگاشت خودسازمان‌ده (SOM) اقدام و سپس با بهره‌گیری از روش تحلیل پوششی داده‌ها مبتنی بر بدترین عملکرد (WPF-DEA) نسبت به پیش‌بینی پویا درماندگی مالی شرکت‌های پذیرفته‌شده در بورس اوراق بهادر تهران اقدام گردید. با بهره‌گیری از روش یادشده 105 شرکت ارزیابی گردید و نتیجه ناکارایی این شرکت‌ها در طول 5 دوره زمانی از سال 1395 الی 1399 پیش‌بینی شد. مدل تحلیل پوششی داده‌های پویا مبتنی بر بدترین عملکرد، توان ارزیابی ناکارایی واحدهای مورد بررسی اعم از شرکت‌های عضو سازمان بورس و اوراق بهادار را دارا است. تحلیل پوششی داده‌ها توانسته است به‌صورت موفقیت‌آمیزی درماندگی مالی شرکت‌ها را به‌عنوان واحدهای تصمیم ناکارا شناسایی نماید تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  372 - Estimation of Daily Evaporation Using of Artificial Neural Networks (Case Study; Borujerd Meteorological Station)
  A. Ariapour M. Nassaji Zavareh
  Evaporation is one of the most important components of hydrologic cycle.Accurate estimation of this parameter is used for studies such as water balance,irrigation system design, and water resource management. In order to estimate theevaporation, direct measurement metho أکثر

  Evaporation is one of the most important components of hydrologic cycle.Accurate estimation of this parameter is used for studies such as water balance,irrigation system design, and water resource management. In order to estimate theevaporation, direct measurement methods or physical and empirical models can beused. Using direct methods require installing meteorological stations andinstruments for measuring evaporation. Installing such instruments in various areasrequires specific facilities and cost which is impossible to be specified. Panevaporation is one of the most popular instruments for direct measuring. In thisresearch, by using daily temperature, relative humidity, wind velocity, sunshinehours, and evaporation data in meteorological station and neural network model,daily evaporation is estimated. Network training using daily data takes three yearsand network testing takes one year in which data is standardize for training andtesting the model. In this model, a feed forward multiple layer network with ahidden layer and sigmoid function is used. The results show the suitable capabilityand acceptable accuracy of artificial neural networks in estimating of dailyevaporation. Best model for estimation of evaporation is ANN (5-4-1), it have MSE0.006716 and R2 0.725398. Artificial neural networking is one of the methods forestimate evaporation. In this method can use in any area that have only maximumand minimum data for estimate evaporation. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  373 - انتخاب بهینه سبد سهام با استفاده از الگوریتم ترکیبی هوش جمعی سالپ و سینوس کسینوس و شبکه‌های عصبی روبه جلو
  سیدعلی حسینی علی اسماعیل زاده مقری آزیتا جهانشاد
  انتخاب بهینه سبد سهام یک مسئله بهینه سازی است که توسط الگوریتم های فراابتکاری قابل حل است. قدرت جستجو در الگوریتم فراابتکاری ارتباط مستقیم با دقت انتخاب بهترین سهام در سبد پرتفوی دارد. الگوریتم هوش جمعی سالپ از الگوریتم های فراابتکاری جدید است که در انتخاب سبد بهینه سها أکثر

  انتخاب بهینه سبد سهام یک مسئله بهینه سازی است که توسط الگوریتم های فراابتکاری قابل حل است. قدرت جستجو در الگوریتم فراابتکاری ارتباط مستقیم با دقت انتخاب بهترین سهام در سبد پرتفوی دارد. الگوریتم هوش جمعی سالپ از الگوریتم های فراابتکاری جدید است که در انتخاب سبد بهینه سهام، نتایج خوبی داشته است. در این تحقیق راهکاری جدید جهت تقویت قدرت جستجو در الگوریتم هوش جمعی سالپ با استفاده از الگوریتم سینوس کسینوس ارائه شده است. در تحقیقات مشاهده می شود که ﻣﺪل رﯾﺎﺿﯽ ﻣﯿﺎﻧﮕﯿﻦ وارﯾﺎﻧﺲ ﻣﺎرﮐﻮﯾﺘﺰ ﯾﮑﯽ از اﺻﻠﯽﺗﺮﯾﻦ راهکارها جهت انتخاب بهینه سبد سهام است اما ﺑﻬﺘﺮ اﺳﺖ ﻣﻌﯿﺎرﻫﺎیی همچون ﭼﻮﻟﮕﯽ با در نظر گرفتن ﭘﺘﺎﻧﺴﯿﻞ آینده ﺳﻬﺎم نیز بررسی شود. در اﯾﻦ ﺗﺤﻘﯿﻖ از 20 ﺷﺮﮐﺖ اول از 50 ﺷﺮﮐﺖ ﺑﺮﺗﺮ ﺳﻪ ﻣﺎﻫﻪ اول سال 1398 اﺳﺘﻔﺎده ﺷﺪه اﺳﺖ. در اﯾﻦ تحقیق با استفاده از شبکه عصبی روبه جلو، پیش بینی قیمت پایانی آینده سهام انجام شده و ﺳﭙﺲ ﺑﺎ اﺳﺘﻔﺎده از اﻟﮕﻮرﯾﺘﻢ جدید هوش جمعی سالپ سینوسی کسینوسی جهت انتخاب بهینه سبد سهام استفاده می شود. ﻧﺘﺎﯾﺞ ﺗﺤﻘﯿﻖ ﺑﯿﺎﻧﮕﺮ آن اﺳﺖ ﮐﻪ ﻣﺪلﻫﺎی اراﺋﻪ ﺷﺪه در اﯾﻦ ﻣﻘﺎﻟﻪ، در ﻣﻘﺎﯾﺴﻪ ﺑﺎ روشﻫﺎی ﺳﻨﺘﯽ و ﺷﺎﺧﺺ ﺑﺎزار، ﺑﺎزدﻫﯽ ﺑﺎﻻﺗﺮی را برای سرمایه گذاران فراهم می نماید. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  374 - تحلیل مؤلفه‌های فرهنگ‌سازمانی دانش‌محور با استفاده از شبکه عصبی مصنوعی
  سمیه حسین زاده تورج مجیبی سید مهدی الوانی جواد رضائیان
  این پژوهش به تحلیل مولفه های فرهنگ سازمانی دانش محور به منظور نیل به اثربخشی عملکرد با استفاده از شبکه عصبی مصنوعی می‌پردازد.پژوهش حاضر ازنظر نوع استفاده کاربردی است که با روش آمیخته اکتشافی انجام‌شده است. در تدوین ادبیات پژوهش با استفاده از روش بررسی اسنادی و نتایج حاص أکثر

  این پژوهش به تحلیل مولفه های فرهنگ سازمانی دانش محور به منظور نیل به اثربخشی عملکرد با استفاده از شبکه عصبی مصنوعی می‌پردازد.پژوهش حاضر ازنظر نوع استفاده کاربردی است که با روش آمیخته اکتشافی انجام‌شده است. در تدوین ادبیات پژوهش با استفاده از روش بررسی اسنادی و نتایج حاصل از آن، مصاحبه‌های عمیق حضوری در چندین نوبت با 20 نفر از خبرگان دانشگاهی به عمل آمد. پس از ثبت مصاحبه‌ها، داده‌ها به روش تحلیل محتوا مورد تحلیل کیفی قرار گرفت. جامعه آماری در بخش کمی شامل 50 نفر از خبرگان اجرایی مرتبط که با روش نمونه‌گیری هدفمند انتخاب شدند. جهت اندازه‌گیری اثربخشی هر یک از مولفه ها و تحلیل حساسیت آن‌ها از شبکه عصبی مصنوعی چندلایه پیش‌خور با الگوریتم انتشار بازگشتی خطا استفاده‌شده است.یافته‌های پژوهش نشان داد که میزان حساسیت اثربخشی عملکرد نسبت به فرهنگ سازمانی دانش محور 4.39 درصد است. همچنین ، فرهنگ سازمانی دانش محور با پنج مؤلفه مشخص گردید و در بین مؤلفه‌های آن دو مؤلفه رهبری دانش‌پرور و فرهنگ اعتماد به‌عنوان مؤلفه‌هایی شناسایی شدند که اثربخشی عملکرد بیشترین حساسیت را نسبت به آن‌ها دارد تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  375 - مدلسازی جهت پیش بینی ریسک نقدینگی بانکهای دولتی ایران با استفاده از شبکه های عصبی مصنوعی و شاخصهای حسابداری
  مهدی خسرویانی فرزانه حیدر پور
  10.30495/faar.2022.697091
  چکیدهیکی از مهمترین مخاطرات پیشروی بانکها ریسک نقدینگی است، بنابراین بانکها باید سیستمهای اطلاعاتی مناسبی برای اندازه گیری، پیشبینی و کنترل ریسک نقدینگی داشته باشند، هر بانکیا مؤسسه مالی و اعتباری با توجه به شرایط، ویژگیهاو نوع فعالیت، با استفاده از ابزارها و روشهای مخت أکثر

  چکیدهیکی از مهمترین مخاطرات پیشروی بانکها ریسک نقدینگی است، بنابراین بانکها باید سیستمهای اطلاعاتی مناسبی برای اندازه گیری، پیشبینی و کنترل ریسک نقدینگی داشته باشند، هر بانکیا مؤسسه مالی و اعتباری با توجه به شرایط، ویژگیهاو نوع فعالیت، با استفاده از ابزارها و روشهای مختلفی ریسک نقدینگی خود رامدیریت میکند، با وجود تفاوتهای اساسی در اندازه، نوع فعالیت و ساختار بانکهای دولتی با یکدیگر، آیا با استفاده از شاخص‌های حسابداری وشبکه عصبی امکان مدل‌سازی و پیش‌بینی ریسک نقدینگی بانک‌های دولتی وجود دارد؟برای پاسخ به این سوال در این پژوهشابتدا با استفاده از اطلاعات حسابداری هشت بانک، که کل بانکهایدولتی ایران را تشکیل میدهند، به صورت جداگانه ،شاخص‌های حسابداری پژوهش محاسبه وریسک نقدینگی توسط شبکه عصبی پرسپترون چند لایه مدلسازی شد.سپس اختلاف نتایج حاصل از مدل با اطلاعات واقعی با استفاده از معیار میانگین مربعات خطا اندازه‌گیری شد. نتایج پژوهش نشان داد که از مدل طراحی شده، میتوان برای پیش‌بینی ریسک نقدینگی بانکهای دولتی ایران استفاده کرد. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  376 - پیش‌بینی شادکامی بر اساس مولفه‌های تاب‌آوری با استفاده از شبکه‌های عصبی‌فازی در زنان سرپرست خانوار
  پرستو آفریننده شیما پرندین
  10.30495/hpsbjourna.2021.1922077.1002
  زنان سرپرست خانوار مشکلات جسمی و روانی بسیاری دارند. می توان از روش های محاسبات ریاضی به عنوان ابزاری کارا برای پیش بینی مشکلات روانی افراد استفاده نمود. هدف مندی و خوش بینی به آینده از مولفه های مهم در تاب آوری است که در شادکامی زنان موثر است. عدم شادکامی و افسردگی در أکثر

  زنان سرپرست خانوار مشکلات جسمی و روانی بسیاری دارند. می توان از روش های محاسبات ریاضی به عنوان ابزاری کارا برای پیش بینی مشکلات روانی افراد استفاده نمود. هدف مندی و خوش بینی به آینده از مولفه های مهم در تاب آوری است که در شادکامی زنان موثر است. عدم شادکامی و افسردگی در زنان سرپرست خانواده یک بیماری است لذا نیاز به شناسایی و پیش بینی دارد. هدف از انجام این تحقیق پیش بینی شادکامی زنان سرپرست خانواده بر اساس مولفه های تاب آوری با استفاده از سیستم استنتاج عصبی فازی بود. ابزار اندازه گیری پرسشنامه تاب آوری کانر و دیودیسون و شادکامی آکسفورد بود. جامعه آماری شامل تعداد 50 زن سرپرست خانواده بود. پس از تکمیل، نمره گذاری پرسشنامه و ثبت اطلاعات و تحلیل با نرم افزار SPSS و کاربرد جعبه ابزار ANFIS به مدلسازی اقدام گردید. میانگین نمره تاب آوری و شادکامی زنان سرپرست خانوار به ترتیب 39.8 و 40.26 بود. پس از ارزیابی مدل ها، از مدل نهایی برای پیش‌بینی شادکامی براساس مولفه های تاب آوری استفاده شد. براساس نتایج همبستگی بین تاب آوری و شادکامی زنان سرپرست خانواده 0.96 بود. نتایج نشان داد افزایش تاب آوری در زنان سرپرست خانواده تاثیر مستقیم و معناداری بر میزان شادکامی آنان داشت. براساس نتایج دقت بالا 0.94 مدل نهایی شبکه های عصبی فازی می‌توان برای پیش بینی سطح شادکامی زنان سرپرست خانواده بویژه در سطح خطر افسردگی به خوبی و با دقت بالا استفاده نمود. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  377 - Short Term Load Forecasting by Using ESN Neural Network Hamedan Province Case Study
  Milad Sasani
  Abstract Forecasting electrical energy demand and consumption is one of the important decision-making tools in distributing companies for making contracts scheduling and purchasing electrical energy. This paper studies load consumption modeling in Hamedan city province أکثر

  Abstract Forecasting electrical energy demand and consumption is one of the important decision-making tools in distributing companies for making contracts scheduling and purchasing electrical energy. This paper studies load consumption modeling in Hamedan city province distribution network by applying ESN neural network. Weather forecasting data such as minimum day temperature, average day temperature, maximum day temperature, minimum dew temperature, average dew point temperature, maximum dew temperature, maximum humidity, average humidity and minimum humidity are collected from weather forecasting station in Hamedan city province. By studying these parameters and daily electrical energy consumption registered in Distribution Company of Hamedan city province and using statistical analysis factors, the parameters which affect daily electricity consumption have been recognized. By applying ESN neural network modeling this load with recognized parameters has been carried out and load forecasting has been assessed. Forecasting result indicates high accuracy of ESN network system for load forecasting short term. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  378 - Novel Adaptive Recurrent Neural Controller based on VSC HVDC Damping Controller to Improve Power System Stability
  Naser Taheri
  10.30495/ijsee.2022.1963367.1216
  The use of high voltage direct current (HVDC) transmission lines in power systems not only increase the capacity of electrical power transmission systems, but also strengthen the stability of the power network. In order to optimize the HVDC influences on voltage-frequen أکثر

  The use of high voltage direct current (HVDC) transmission lines in power systems not only increase the capacity of electrical power transmission systems, but also strengthen the stability of the power network. In order to optimize the HVDC influences on voltage-frequency stability, it is necessary to design supplementary controllers in the most optimal path between input-output signals of the whole power system. The supplementary controllers are added to the local control loop of HVDC to improve active-reactive power flow. In this paper, an optimized method based on the controllability concept is proposed for the coupling of the input-output (IO) signals of the power system equipped with voltage source converter (VSC)-based HVDC. Then, the optimal path is used for supplementary damping controller design based on a novel adaptive recurrent neural network (ARNN). The ARNN is trained online Using a new training algorithm. The simulation results, which are carried on using MATLAB software, show the effectiveness of the control strategy to improve the voltage profile and dynamic stability of the power system. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  379 - Robot control system using SMR signals detection
  faeze asadi
  One of the important issues in designing a brain-computer interface system is to select the type of mental activity to be imagined. In some of these systems, mental activity varies with user intent and action that must be controlled by the brain-computer system, and in أکثر

  One of the important issues in designing a brain-computer interface system is to select the type of mental activity to be imagined. In some of these systems, mental activity varies with user intent and action that must be controlled by the brain-computer system, and in a number of other signals, the received signals contain the same activity-related mental activity that should be performed by the brain-computer system. Take up The purpose of this paper is to identify and distinguish between multiple movements of the hand, including lifting and lowering the whole hand, from the electromagnetic signal (EEG) signal and the control of a robot by these signals. Since the purpose of using motor signals is selected from the various channels, channels 3c and 4c are selected as the preferred channel. This set of signals in total was about six healthy people. In this paper, support vector machines (SVM), multilayer perceptron (MLP) and probabilistic neural network (PNN) were designed to extract data properties. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  380 - Intelligent Model Based Predicative Controller for DC-DC Converter in Photovoltaic Systems
  Hadi Saghafi Amin Rasoulian Mohammadali Abbasian Majid Delshad
  10.30495/ijsee.2022.1969247.1232
  The DC-DC converters are one of the most widely used power electronics infrastructure in the modern systems including renewable generations. With development of DC-DC converters, the control system of the DC-DC converters role is becoming more and more. To this end, mod أکثر

  The DC-DC converters are one of the most widely used power electronics infrastructure in the modern systems including renewable generations. With development of DC-DC converters, the control system of the DC-DC converters role is becoming more and more. To this end, model predictive control (MPC) is known as one of the potential solutions. Although MPC is an easily implemented control system, it needs a high computational complexity due to the dependency on solving an iterative optimization problem. To overcome this problem, this study develops an artificial intelligence-based on one-dimensional convolutional neural network (1D-CNN) based MPCs. While 1D-CNN benefits from the inherent strong feature extraction/selection capability and lower computational complexity than other deep methods, it still cannot properly track the dynamic changes due to fixed weights during the training process. Thus, this paper integrates the dynamic weighting training process and proposed dynamic weighing 1D-CNN for the implementation of intelligent MPC for the DC-DC converters. The numerical results show an efficient performance of the proposed system and also verifies the superiority of the proposed method in comparison with the conventional MPC and several state-of-the arts shallow and deep-based MPC for the DC-DC converters in terms of the total harmonic distortion (THD). تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  381 - Diagnosing skin disease using deep features based on artificial intelligence
  Hassan Masoumi Fatemeh Mosalanejad Mehdi Taghizadeh Mohammad Ghanbarian
  10.30495/ijsee.2023.1987938.1267
  Misdiagnosis of skin diseases is a common occurrence. Psoriasis is a skin disease that has many similarities with other diseases, and its incorrect diagnosis causes many problems in the treatment process. Misdiagnosis of this disease causes doctors to face problems duri أکثر

  Misdiagnosis of skin diseases is a common occurrence. Psoriasis is a skin disease that has many similarities with other diseases, and its incorrect diagnosis causes many problems in the treatment process. Misdiagnosis of this disease causes doctors to face problems during treatment. The lack of images of the disease and the database of skin diseases reduces the diagnosis and the coordination of diagnostic methods, therefore, diagnosis using different images is very useful. Today, diagnosis methods using deep features in medical images have received much attention. Artificial intelligence is one of the automatic methods of diagnosis. These methods can detect new data entering the system and keep it in memory. Therefore, in this article, two different groups of data have been identified using deep features based on artificial intelligence. In this method, the data of the first group in the form of training and testing and the data of the second group are studied gradually. If they are correctly identified, the next 0.1 chunks of data enter the network without testing. If they are wrongly recognized, they enter the training section and this reduces the training process. In this work, by training 20% of the data, i.e. the first 10% and the fourth 10%, there was no need for training because the accuracy was not less than98%. In this article, deep features of images were first extracted using convolutional neural network, and then psoriasis and eczema were diagnosed with average accuracy of98.3%and sensitivity of 97.9% in skin images using artificial intelligence. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  382 - Microgrid Planning Including Renewables Considering Optimum Compressed Air Energy Storage Capacity Determination Using HANN-MDA Method
  Seyedamin Saeed Tahere Daemi Zohreh Beheshtipour
  Microgrids, with their ability to integrate renewable energy sources, play a crucial role in achieving sustainable and resilient energy systems. Effective planning and optimization of microgrids, particularly considering the inclusion of compressed air energy storage (C أکثر

  Microgrids, with their ability to integrate renewable energy sources, play a crucial role in achieving sustainable and resilient energy systems. Effective planning and optimization of microgrids, particularly considering the inclusion of compressed air energy storage (CAES) systems, are essential for maximizing their benefits. This study proposes a novel approach, the Hybrid Artificial Neural Network-Modified Dragonfly Algorithm (HANN-MDA), for determining the optimum capacity of CAES in microgrid planning. The HANN-MDA method combines the learning capabilities of artificial neural networks with the optimization power of the modified dragonfly algorithm. The proposed method aims to minimize the overall cost of microgrid operation while considering the integration of renewable energy sources and the storage capabilities of CAES. Simulation results demonstrate the effectiveness of the HANN-MDA method in accurately determining the optimal CAES capacity, leading to improved microgrid performance and cost savings. The findings highlight the importance of considering CAES in microgrid planning and the potential of the HANN-MDA method for achieving efficient and economically viable microgrid designs. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  383 - Artificial Intelligence Based Approach for Identification of Current Transformer Saturation from Faults in Power Transformers
  A. R Moradi Y Alinejad Beromi K Kiani Z Moravej
  Protection systems have vital role in network reliability in short circuit mode and proper operating for relays. Current transformer often in transient and saturation under short circuit mode causes mal-operation of relays which will have undesirable effects. Therefore, أکثر

  Protection systems have vital role in network reliability in short circuit mode and proper operating for relays. Current transformer often in transient and saturation under short circuit mode causes mal-operation of relays which will have undesirable effects. Therefore, proper and quick identification of Current transformer saturation is so important. In this paper, an Artificial Neural Network (ANN) which is trained by two different swarm based algorithms; Gravitational Search Algorithm (GSA) and Particle Swarm Optimization (PSO) have been used to discriminate between Current transformer saturation and fault currents in power transformers. In fact, GSA operates based on gravity law and in opposite of other swarm based algorithms, particles have identity and PSO is based on behaviors of bird flocking. Proposed approach has two general stages. In first step, obtained data from simulation have been processed and applied to an ANN, and then in second step, using training data considered ANN has been trained by GSA & PSO. Finally, a proposed technique has been compared with one of the common training approach which is called Genetic algorithm (GA). تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  384 - Hourly Wind Speed Prediction using ARMA Model and Artificial Neural Networks
  Farzaneh Tatari Majid Mazouchi
  In this paper, a comparison study is presented on artificial intelligence and time series models in 1-hour-ahead wind speed forecasting. Three types of typical neural networks, namely adaptive linear element, multilayer perceptrons, and radial basis function, and ARMA t أکثر

  In this paper, a comparison study is presented on artificial intelligence and time series models in 1-hour-ahead wind speed forecasting. Three types of typical neural networks, namely adaptive linear element, multilayer perceptrons, and radial basis function, and ARMA time series model are investigated. The wind speed data used are the hourly mean wind speed data collected at Binalood site in Iran. Simulation results indicate the ability of the proposed methods in 1-hour-ahead wind speed forecasting in Binalood of Iran. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  385 - Effective Feature Selection for Pre-Cancerous Cervix Lesions Using Artificial Neural Networks
  Farnaz Rouhbakhsh Fardad Farokhi Kaveh Kangarloo
  Since most common form of cervical cancer starts with pre-cancerous changes, a flawless detection of these changes becomes an important issue to prevent and treat the cervix cancer. There are 2 ways to stop this disease from developing. One way is to find and treat pre- أکثر

  Since most common form of cervical cancer starts with pre-cancerous changes, a flawless detection of these changes becomes an important issue to prevent and treat the cervix cancer. There are 2 ways to stop this disease from developing. One way is to find and treat pre-cancers before they become true cancers, and the other is to prevent the pre-cancers in the first place. The presented approach uses precancerous images which are taken from a digital colposcope, and a set of texture and color features is extracted which includes low and high grade SIL (Squamous Interepithelial Lesion ) .After extracting, features are fed to a classifier, which could be KNN,RBF,MLP and Neuro-Fuzzy network and after training effective features are selected using UTA algorithm for each classifier individually. Finally, results come in a comparison table, show that the landa fourteenth, theta-x and together with Neuro-fuzzy classifier have the best overall performance. This approach has an acceptable and simple early diagnosis of cervix cancer and may have found clinical application تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  386 - طراحی الگوی غیرخطی سرایت‌پذیری شاخص کل بورس اوراق بهادار تهران از بازار دارایی‌های فیزیکی (کاربردی از مدل شبکه عصبی مصنوعی NARX)
  مهدی شبان حبیب اله نخعی قدرت الله طالب نیا نازنین بشیری منش
  پژوهش حاضر به بررسی سرایت‌پذیری شاخص کل بورس اوراق بهادار تهران از قیمت دارایی‌های موازی با بکارگیری شبکه‌ عصبی مصنوعی پویا می‌پردازد. برای انجام محاسبات، سری‌زمانی قیمت سکه تمام بهار آزادی(نماینده بازار‌ طلا)، قیمت هر متر مربع ساختمان مسکونی(نماینده بازار مسکن)، قیمت ه أکثر

  پژوهش حاضر به بررسی سرایت‌پذیری شاخص کل بورس اوراق بهادار تهران از قیمت دارایی‌های موازی با بکارگیری شبکه‌ عصبی مصنوعی پویا می‌پردازد. برای انجام محاسبات، سری‌زمانی قیمت سکه تمام بهار آزادی(نماینده بازار‌ طلا)، قیمت هر متر مربع ساختمان مسکونی(نماینده بازار مسکن)، قیمت هر بشکه نفت خام ایران و نرخ دلار آمریکا در برابر ریال و نوسانات شرطی آن‌ها به عنوان متغیرهای ورودی و شاخص کل بورس اوراق بهادار تهران و نوسان شرطی آن به عنوان متغیر هدف از سال 1387 تا 1397با تواتر روزانه مورد بررسی قرار می‌گیرد. شبکه عصبی غیرخطی پویا با چهار متغیر ورودی و یک متغیر هدف با لایه‌ها و نرون‌های مختلف با معیار میانگین مجذور خطا و ضریب تعیین مورد ارزیابی قرار گرفته و مدل‌ها با دو لایه به ترتیب با 20 نرون و 10 نرون دارای حداقل میانگین مجذور خطا می‌باشند. نتایج پژوهش نشان می‌دهد بورس اوراق بهادار تهران حداکثر با دو وقفه زمانی از بازارهای رقیب سرایت‌پذیری داشته که نشان‌دهنده‌ی کارایی ضعیف بازار اوراق بهادار تهران می‌باشد. نتایج نشان می‌دهند شبکه‌‌های عصبی پیشنهادی قدرت بالایی در پیش‌بینی شاخص‌کل بورس اوراق بهادار تهران و نوسانات آن از سال 1387 تا 1397 به عنوان پیش‌بینی درون نمونه‌ای و سال 1398 به عنوان پیش‌بینی برون نمونه‌ای دارند. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  387 - پیش‌بینی قیمت سهام در بورس اوراق بهادار تهران با استفاده از مدل شبکه عصبی مصنوعی(ANN) و مدل خود‌رگرسیون میانگین متحرک انباشته (ARIMA) : مطالعه موردی دو شرکت دارویی فعال بورس اوراق بهادار
  احمد چگنی عزیز گرد
  در این تحقیق به مقایسه کارایی دو روش پیش‌بینی شبکه عصبی مصنوعی (ANN) و روش سنتی خودرگرسیون میانگین متحرک انباشته (ARIMA) در پیش‌بینی قیمت سهام در بازار سهام ایران پرداخته شده است. بدین منظور 2 شرکت دارویی البرز‌دارو و جام‌دارو انتخاب شده و مدل ARIMA و مدل شبکه عصبی مصنو أکثر

  در این تحقیق به مقایسه کارایی دو روش پیش‌بینی شبکه عصبی مصنوعی (ANN) و روش سنتی خودرگرسیون میانگین متحرک انباشته (ARIMA) در پیش‌بینی قیمت سهام در بازار سهام ایران پرداخته شده است. بدین منظور 2 شرکت دارویی البرز‌دارو و جام‌دارو انتخاب شده و مدل ARIMA و مدل شبکه عصبی مصنوعی برای هر دو شرکت تخمین زده شد. به منظور تخمین مدل شبکه عصبی مصنوعی، متغیر قیمت سهام به عنوان متغیر وابسته و متغیر‌های حجم معاملات سهام، شاخص صنعت دارو، قیمت نفت اوپک، نرخ ارز و قیمت طلا به عنوان متغیر‌های مستقل در نظر گرفته شد. برای مقایسه دو مدل نیز از معیارهای MSE,RMSE,MAD,R2 و MAPE استفاده شد. به منظور تخمین مدل رگرسیون پیش‌بینی قیمت سهام از فرآیند خود‌رگرسیون میانگین متحرک انباشته (ARIMA) استفاده و تخمین ضرایب مدل با استفاده از نرم‌افزار آماری EVIEWS انجام شده و مدل شبکه عصبی مصنوعی(ANN) مناسب برای پیش‌بینی قیمت سهام نیز با استفاده از نرم‌افزار MATLAB ساخته شد. نتایج تحقیق نشان داد که فرضیه تحقیق در صورت تأثیر متغیر‌های کلان اقتصادی بر روی قیمت سهام صحیح بوده و مدل شبکه عصبی مصنوعی (ANN) پیش‌بینی بهتری از قیمت سهام در بازار سهام ایران در مقایسه با روش خود‌رگرسیون میانگین متحرک انباشته (ARIMA) دارد. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  388 - ارایه مدل بهینه ریسک اعتباری فرایند تامین مالی جمعی با استفاده از شبکه عصبی پرسپترون چندلایه (MLP)
  علی ملکی علی زارع هاشم نیکومرام شادی شاهوردیانی
  هدف مطالعه حاضر، پیش‌بینی و ارایه مدل ریسک اعتباری جهت سرمایه‌پذیران تأمین ‌مالی جمعی مبتنی بر بدهی است. با توجه به پیچیدگی ارزیابی ریسک، بهترین معماری شبکه عصبی الگوریتم پرسپترون چند لایه برای شبیه‌سازی انتخاب شد. جامعه آماری این پژوهش، اطلاعات مالی پرونده‌ اعتباری/تسه أکثر

  هدف مطالعه حاضر، پیش‌بینی و ارایه مدل ریسک اعتباری جهت سرمایه‌پذیران تأمین ‌مالی جمعی مبتنی بر بدهی است. با توجه به پیچیدگی ارزیابی ریسک، بهترین معماری شبکه عصبی الگوریتم پرسپترون چند لایه برای شبیه‌سازی انتخاب شد. جامعه آماری این پژوهش، اطلاعات مالی پرونده‌ اعتباری/تسهیلاتی کلیه مشتریان (506 مورد) یکی از بانک‌های کشور مربوط به سال 98-97 است. به منظور معناداری رابطه شاخص‌های استخراج شده از نمونه با متغیر خروجی مدل (نکول و عدم نکول) اعضای نمونه توسط آزمون رگرسیون سنجیده شد. بدین ترتیب تعداد13شاخص به‌عنوان بردار ورودی شبکه عصبی با سه لایه پنهان در دو گروه نکول و عدم نکول وارد مدل گردید. بر اساس نتایج شبیه‌سازی، مدل پیشنهادی توانست با خطای کمتر و دقت پیش‌بینی بالاتر (94.1) وزن هریک از شاخص‌های ورودی به شبکه را محاسبه کند. همچنین ضریب تعیین برای داده‌های آموزشی برابر (0.88)، آزمایش برابر (0.94) و ارزیابی برابر (0.84) بدست آمد که نشان دهنده توانایی برازش بالای مدل شبکه عصبی پیشنهادی است. یافته‌های پژوهش نشان داد، از میان شاخص‌های ورودی، درآمدخالص، با وزنی معادل 0.163، میانگین حساب جاری با وزنی معادل 0.123 به مراتب از اهمیت بیشتر و شاخص سابقه تحصیلات با وزنی معادل 0.053 از اهمیت کمتری در گروه عدم نکول شده برخوردار است. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  389 - ارائه مدل ترکیبی DEA-MLP در تشکیل سبدبهینه سهام: بررسی محتوای اطلاعاتی معیارهای حسابداری، معیارهای مبتنی بر ارزش و معیارهای BSC
  حسن فتاحی نافچی مهدی عربصالحی مجید اسماعیلیان
  این هدف می‌تواند با استفاده از روش‌ها و الگوریتم‌های مختلفی صورت پذیرد. هدف پژوهش حاضر تدوین مدل سبد بهینه سهام با استفاده از ترکیب روش‌های تحلیل پوششی داده‌ها، الگوریتم حذف دادهای پرت و شبکه‌های عصبی MLP است. جامعه آماری پژوهش شرکت‌های پذیرفته‌شده در بورس اوراق بهادار أکثر

  این هدف می‌تواند با استفاده از روش‌ها و الگوریتم‌های مختلفی صورت پذیرد. هدف پژوهش حاضر تدوین مدل سبد بهینه سهام با استفاده از ترکیب روش‌های تحلیل پوششی داده‌ها، الگوریتم حذف دادهای پرت و شبکه‌های عصبی MLP است. جامعه آماری پژوهش شرکت‌های پذیرفته‌شده در بورس اوراق بهادار تهران در بازه زمانی 1386 تا 1396 می‌باشد. برای تشکیل سبد بهینه سهام از تمام معیارهای موجود دسته‌بندی شده برای رسیدن به سبد سهام بهینه استفاده گردید. سپس نتایج به‌دست‌آمده در رویکردهای مختلف بر اساس معیار نسبت شارپ با هم مقایسه شد. یافته‌های حاصل از پژوهش حاکی از آن است که استفاده از ترکیب تحلیل پوششی داده‌ها، الگوریتم حذف دادهای پرت، شبکه‌های عصبی MLP و معیارهای حسابداری در تهیه سبد بهینه سهام منجر به افزایش نسبت شارپ در مقایسه با سایر رویکردها (ریسک و بازده، مبتنی بر ارزش و ارزیابی متوازن) می‌شود. به‌طورکلی به‌کارگیری هم‌زمان روش‌های ترکیبی بهینه‌سازی و معیارهای جامع استخراج‌شده از گزارش‌های حسابداری می‌تواند سبد سهام بهینه‌تر و مطلوبیت بیشتر را برای سرمایه‌گذاران به همراه داشته باشد. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  390 - پیش بینی ورشکستگی مالی شرکت‌های بورس اوراق بهادار با استفاده از شبکه عصبی مصنوعی و الگوریتم کرم شب‌تاب
  مهدی حیدری شکراله زیاری سید احمد شایان نیا علیرضا رشیدی کمیجان
  با پیش‌بینی نابسامانی مالی، پیشگیری‌ها و اقدامات مقتضی لازم توسط مدیران و سرمایه‌گذاران انجام شود. پژوهش حاضر، دو مدل پیش بینی ورشکستگی با استفاده از شبکه عصبی و الگوریتم فراابتکاری کرم شب‌تاب در بورس اوراق بهادار تهران، آزمون و نتایج با هم مقایسه می شود. برای اجرای آزم أکثر

  با پیش‌بینی نابسامانی مالی، پیشگیری‌ها و اقدامات مقتضی لازم توسط مدیران و سرمایه‌گذاران انجام شود. پژوهش حاضر، دو مدل پیش بینی ورشکستگی با استفاده از شبکه عصبی و الگوریتم فراابتکاری کرم شب‌تاب در بورس اوراق بهادار تهران، آزمون و نتایج با هم مقایسه می شود. برای اجرای آزمون ابتدا یک مقادیر اولیه برای وزن‌ها و بایاس‌های شبکه تعیین شده و سپس در طی پروسه بهینه‌سازی، جمعیتی از وزنها و بایاس‌های مختلف توسط الگوریتم کرم شب‌تاب تولید می‌شوند. تابع تبدیل مورد استفاده در لایه خروجی از نوع خطی و برای لایه میانی یک تابع غیرخطی سیگمویدی انتخاب شده است. برای انجام این پژوهش داده‌های 79 شرکت در بازه زمانی 1391 تا 1394 گردآوری و با به‌کارگیری الگوریتم‌های شبکه عصبی پس انتشار و کرم شب تاب تجزیه و تحلیل شدند. یافته‌های این پژوهش نشان می دهد که شبکه عصبی بهینه شده بوسیله الگوریتم کرم شب‌تاب عملکرد بهتری نسبت به شبکه عصبی پس انتشار خطا در پیش‌بینی ورشکستگی شرکت‌های نمونه دارد. همچنین الگوریتم کرم شب‌تاب به خوبی نسبت بین شرکت‌های ورشکسته و عدم ورشکسته را همانند داده های واقعی حفظ کرده است. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  391 - پیش‌بینی قیمت سهام در بورس اوراق بهادار با استفاده از مدل ترکیبی مبتنی بر شبکه عصبی بازگشتی و سیستم استنتاج عصبی فازی سازگار و سیستم خبره فازی
  مصطفی یوسفی طزرجان اعظم دخت صفی صمغ آبادی عزیزاله معماریانی
  پیش‌بینی قیمت سهام در بورس اوراق بهادار موضوعی چالش برانگیز و جذاب است. سرمایه گذاران علاقه مندند که بتوانند سود سهام مختلف را در بازارهای مالی پیش‌بینی کنند. در این مقاله مدل ترکیبی ارائه شده است که در آن ابتدا قیمت پایانی سهام برای روز بعد بر مبنای الگوریتم سیستم استن أکثر

  پیش‌بینی قیمت سهام در بورس اوراق بهادار موضوعی چالش برانگیز و جذاب است. سرمایه گذاران علاقه مندند که بتوانند سود سهام مختلف را در بازارهای مالی پیش‌بینی کنند. در این مقاله مدل ترکیبی ارائه شده است که در آن ابتدا قیمت پایانی سهام برای روز بعد بر مبنای الگوریتم سیستم استنتاج عصبی فازی سازگار (ANFIS) و شبکه عصبی بازگشتی (RNN) با استفاده از داده‌های تاریخی و شاخص‌های اندیکاتور پیش‌بینی می‌شود. سپس نتایج به همراه وضعیت شایعات بازار به سیستم خبره فازی وارد می‌شود و پیش‌بینی را بر مبنای خروجی سیستم عصبی فازی و شبکه عصبی بازگشتی به همراه وضعیت شایعات بازار، نهایی می‌کند. مدل ترکیبی ارائه شده برای پیش‌بینی قیمت داده‌های سهام شرکت فولاد مبارکه اصفهان اجرا شد. در این مطالعه برای داده‌های تحقیق از داده‌های شرکت بورس اوراق بهادار تهران مربوط به داده‌های سهام شرکت فولاد مبارکه اصفهان از 5 فروردین 1395 لغایت 29 اسفند 1398 استفاده شده است. چهار شاخص فنی در این مطالعه مورد استفاده قرار گرفته است که عبارتند از: میانگین متحرک(MA)، میانگین متحرک نمایی(EMA)، اندیکاتور قدرت نسبی(RSI)، اندیکاتور میانگین متحرک همگرایی واگرایی(MACD). از این متغیرها به عنوان ورودی سیستم عصبی فازی برای پیش‌بینی قیمت پایانی روز بعد سهام شرکت فولاد مبارکه اصفهان استفاده شده است. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  392 - نسبتهای مالی تصویری و پیش‌بینی ورشکستگی شرکتها با استفاده از مدل شبکه‌های عصبی کانولوشن
  عباسعلی حق پرست علیرضا مومنی عزیز گرد فردین منصوری
  پژوهش حاضر با هدف بکارگیری شبکه عصبی کانولوشن برای پیش بینی ورشکستگی شرکتها با استفاده از نسبتهای مالی تصویری انجام می‌گیرد. در دنیای به سرعت در حال تغییر، برای شناسایی تصاویر، شبکه‌های عصبی کانولوشن در مسائل مربوط به بسیاری از رشته‌ها بکار می‌روند. دوره زمانی پژوهش 138 أکثر

  پژوهش حاضر با هدف بکارگیری شبکه عصبی کانولوشن برای پیش بینی ورشکستگی شرکتها با استفاده از نسبتهای مالی تصویری انجام می‌گیرد. در دنیای به سرعت در حال تغییر، برای شناسایی تصاویر، شبکه‌های عصبی کانولوشن در مسائل مربوط به بسیاری از رشته‌ها بکار می‌روند. دوره زمانی پژوهش 1388 تا 1397 و شرکتهای نمونه از بین شرکتهای پذیرفته شده در بورس اوراق بهادار تهران و در قالب دو گروه شامل 66 شرکت ورشکسته و 66 شرکت غیر ورشکسته انتخاب شدند. از آنجا که کار شبکه عصبی کانولوشن شناخت تصاویر از بین تصاویر موجود است لذا ابتدا نسبتهای مالی به عنوان داده های پژوهش از طریق نرم افزار متلب 2019 به تصویر تبدیل و سپس با کمک شبکه عصبی کانولوشن و تحت معماری گوگل نت اقدام به تشخیص و پیش بینی وضعیت شرکتهای نمونه گردید. نتایج حاصل از تحلیل یافته‌ها نشان داد که مدل شبکه‌های عصبی کانولوشن در پیش بینی و شناخت از روی تصاویر، پیش بینی درستی با دقت 50 درصد از بین شرکتها انجام داد. به عبارتی در پیش بینی وضعیت تداوم فعالیت شرکتها 50 درصد از شرکتهای ورشکسته و 50 درصد از شرکتهای غیر ورشکسته را درست تشخیص داد. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  393 - ارائه مدلی برای انتخاب سبد بهینه سهام با استفاده از الگوریتم هوش جمعی سالپ و شبکه‌های عصبی پرسپترون چندلایه
  سید علی حسینی زهرا پورزمانی آزیتا جهانشاد
  ﻣﻬﻤﺘﺮﯾﻦ دﻏﺪﻏﻪ ﺳﺮﻣﺎﯾﻪﮔﺬاران، اﻓﺰاﯾﺶ ﻣﯿﺰان ﺳﻮد و ﮐﺎﻫﺶ رﯾﺴﮏ درﺑﻮرس ﺑﻮده و ﻫﻤﻮاره ﺑﻪ دﻧﺒﺎل راهکاری جهت ﺑﻬﺘﺮﯾﻦ ﭘﯿﺸﻨﻬﺎد در ﺧﺮﯾﺪ ﺳﻬﺎم هستند، تا ﺑﯿﺸﺘﺮﯾﻦ سود ﺳﺮﻣﺎﯾﻪﮔﺬاری را ﺑﺎﺷﺪ. در تحقیقات اﻧﺠﺎم ﺷﺪه مشاهده می شود که ﻣﺪل رﯾﺎﺿﯽ ﻣﯿﺎﻧﮕﯿﻦ وارﯾﺎﻧﺲ ﻣﺎرﮐﻮﯾﺘﺰ ﯾﮑﯽ از اﺻﻠﯽﺗﺮﯾﻦ راهکارها اس أکثر

  ﻣﻬﻤﺘﺮﯾﻦ دﻏﺪﻏﻪ ﺳﺮﻣﺎﯾﻪﮔﺬاران، اﻓﺰاﯾﺶ ﻣﯿﺰان ﺳﻮد و ﮐﺎﻫﺶ رﯾﺴﮏ درﺑﻮرس ﺑﻮده و ﻫﻤﻮاره ﺑﻪ دﻧﺒﺎل راهکاری جهت ﺑﻬﺘﺮﯾﻦ ﭘﯿﺸﻨﻬﺎد در ﺧﺮﯾﺪ ﺳﻬﺎم هستند، تا ﺑﯿﺸﺘﺮﯾﻦ سود ﺳﺮﻣﺎﯾﻪﮔﺬاری را ﺑﺎﺷﺪ. در تحقیقات اﻧﺠﺎم ﺷﺪه مشاهده می شود که ﻣﺪل رﯾﺎﺿﯽ ﻣﯿﺎﻧﮕﯿﻦ وارﯾﺎﻧﺲ ﻣﺎرﮐﻮﯾﺘﺰ ﯾﮑﯽ از اﺻﻠﯽﺗﺮﯾﻦ راهکارها است اما ﺑﻬﺘﺮ اﺳﺖ ﻣﻌﯿﺎرﻫﺎیی همچون ﭼﻮﻟﮕﯽ با در نظر گرفتن ﭘﺘﺎﻧﺴﯿﻞ آینده ﺳﻬﺎم مورد بررسی قرار گیرد. در اﯾﻦ ﺗﺤﻘﯿﻖ از 20 ﺷﺮﮐﺖ اول از 50 ﺷﺮﮐﺖ ﺑﺮﺗﺮ ﺳﻪ ﻣﺎﻫﻪ اول سال 2019 اﻋﻼم ﺷﺪه ﺗﻮﺳﻂ ﺷﺮﮐﺖ ﺑﻮرس ﺑﻪ ﻋﻨﻮان ﻧﻤﻮﻧﻪ اﺳﺘﻔﺎده ﺷﺪه اﺳﺖ. همچنین اﯾﻦ ﭘﮋوﻫﺶ ﺑﻪ دﻧﺒﺎل اراﺋﻪ مدلی است که در آن پتانسیل آینده سهام ، توسط شبکه عصبی پرسپترون چندلایه با چندسناریو مختلف از جمله پیش بینی از روش خود سری زمانی قیمت سهام و یا پیش بینی با تاثیر عوامل موثر در تغییرات قیمت سهام، پیش بینی می شود. ﺳﭙﺲ، اﯾﻦ ﻣﺪلﻫﺎی بهینه سازی ﺑﺎ اﺳﺘﻔﺎده از اﻟﮕﻮرﯾﺘﻢ هوش جمعی سالپ که از الگوریتم های نوظهور و با قدرت همگرایی بالا است، ﺣﻞ ﻣﯽﮔﺮدد. ﻧﺘﺎﯾﺞ ﺗﺤﻘﯿﻖ ﺑﯿﺎﻧﮕﺮ آن اﺳﺖ ﮐﻪ ﻣﺪلﻫﺎی اراﺋﻪ ﺷﺪه در اﯾﻦ ﻣﻘﺎﻟﻪ، در ﻣﻘﺎﯾﺴﻪ ﺑﺎ روشﻫﺎی ﺳﻨﺘﯽ و ﺷﺎﺧﺺ ﺑﺎزار، ﺑﺎزدﻫﯽ ﺑﺎﻻﺗﺮی را برای سرمایه گذاران فراهم می نماید. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  394 - طراحی مدلی جهت پیش‌بینی بازده قیمت جهانی طلا (با تاکید بر مدل‌های ترکیبی شبکه عصبی کانولوشنی و مدل‌های خانواده گارچ)
  محمد جواد بختیاران مهدی ذوالفقاری
  این مقاله به معرفی مدل‌هایی از ترکیب خانواده GARCH و شبکه عصبی کانولوشنی، جهت پیش‌بینی بازدهی روزانه طلای جهانی طی فاصله زمانی 1398-1390 می‌پردازد. در این پژوهش از مدل‌های دارای حافظه کوتاه مدت GARCH و EGARCH استفاده می‌شود. علاوه بر بکارگیری مدل‌های حافظه کوتاه‌مدت، با أکثر

  این مقاله به معرفی مدل‌هایی از ترکیب خانواده GARCH و شبکه عصبی کانولوشنی، جهت پیش‌بینی بازدهی روزانه طلای جهانی طی فاصله زمانی 1398-1390 می‌پردازد. در این پژوهش از مدل‌های دارای حافظه کوتاه مدت GARCH و EGARCH استفاده می‌شود. علاوه بر بکارگیری مدل‌های حافظه کوتاه‌مدت، با توجه به کارایی مدل‌های ترکیبی خانواده GARCH (در مقایسه با مدل‌های فردی) در پیش‌بینی داده‌های مالی، در این مطالعه، تمامی مدل‌های خانواده GARCH با شبکه عصبی کانولوشنی ترکیب شده و با استفاده از مدل‌های ترکیبی بازده طلا پیش‌بینی شده است . وهمچنین پیش‌بینی به صورت ده گام به جلو بوده است. نتایج تحقیق حاکی از برتری مدل پیشنهادی نسبت به مدل‌های جاری در پیش‌بینی سری زمانی بازدهی قیمت طلا بود. همچنین براساس معیارهای ارزیابی خطای پیش‌بینی RMSE و MAPE، مدل CNN-EGARCH برپایه توزیع نرمال دارای خطای پیش‌بینی کمتری نسبت به 23 مدل دیگر دارد. در این راستا، معیار بررسی صحت پیش‌بینی دیبولد-ماریانو (DM) نیز یافته‌های فوق را تایید میکند. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  395 - ارائه مدل پرتفوی بهینه از طریق مدل پیش بینی شاخص بازار و با وجود حافظه بلندمدت با استفاده از شبکه عصبی
  سعید مشتاق فرهاد حسین زاده لطفی اسمعیل فدایی نژاد
  تأثیر متغیرهای اقتصادی بر بازارهای سرمایه مهم‌ترین موضوع تئوری مالی است. بورس اوراق بهادار از جایگاه خاصی در سیستم مالی کشور ما برخوردار بوده است و کارآمدی و توسعه بازار سرمایه در گرو فعال بودن این نهاد درکشور است. دو کارکرد مهم بورس اوراق بهادار را می‌توان جمع‌آوری پس‌ أکثر

  تأثیر متغیرهای اقتصادی بر بازارهای سرمایه مهم‌ترین موضوع تئوری مالی است. بورس اوراق بهادار از جایگاه خاصی در سیستم مالی کشور ما برخوردار بوده است و کارآمدی و توسعه بازار سرمایه در گرو فعال بودن این نهاد درکشور است. دو کارکرد مهم بورس اوراق بهادار را می‌توان جمع‌آوری پس‌اندازهای اندک و نقدینگی موجود در سطح جامعه و هدایت آن‌ها به سمت فرآیند تولید کالا و خدمات در‌کشور ذکر کرد. در این راستا ارائه مدل پرتفوی بهینه از طریق مدل پیش‌بینی تغییرات شاخص بورس از طریق تغییرات نرخ بازده ارز بسیار کارساز خواهد بود. یکی از ابزارهای با دقت بالا و کاربردی برای پیش‌بینی استفاده از شبکه‌های عصبی بوده است چراکه میزان دقت آنها با افزایش داده‌های تحقیق کاهش نمی‌یابد و دقت آن نیز از توابع خطی و غیر‌خطی و رگرسیونی برای پیش‌بینی خیلی زیادتر بوده است. پس از تست‌های مختلف از طریق شبکه‌های عصبی مصنوعی(ANN)، سیستم‌های استنتاج فازی-عصبی تطبیقی(ANFIS) و رگرسیون بردار پشتیبان (SVR) با استفاده نرم افزار متلب انجام گردیده بود، توانستیم مدلی با دقت بالا جهت پیش‌بینی میزان تغییرات شاخص بازده کل و شاخص بازده نقدی از طریق تغییرات قیمت دلار طراحی نماییم. که از طریق این مدل، مدل پرتفوی بهینه به صورت آرمانی طراحی نمودیم. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  396 - مقایسه مدل‌های مختلف یادگیری ماشین در پیش‌بینی شاخص بازار سهام
  مریم سهرابی سید مظفر میربرگ کار ابراهیم چیرانی سینا خردیار
  پیش بینی سریهای زمانی بازارهای مالی مسئله ای چالش برانگیز در حوزه مطالعات تخصصی سری های زمانی محسوب میشود و نظر بسیاری از پژوهشگران را به خود جلب نموده است. این موضوع با توجه به حضور کلان داده‌ها موجب رشد تحولات در زمینه مدل‌های یادگیری ماشین شده است. با توجه به اهمیت ا أکثر

  پیش بینی سریهای زمانی بازارهای مالی مسئله ای چالش برانگیز در حوزه مطالعات تخصصی سری های زمانی محسوب میشود و نظر بسیاری از پژوهشگران را به خود جلب نموده است. این موضوع با توجه به حضور کلان داده‌ها موجب رشد تحولات در زمینه مدل‌های یادگیری ماشین شده است. با توجه به اهمیت این موضوع، در این پژوهش، با بهره‌‌گیری از مقایسه مدل‌های مختلف یادگیری ماشین از قبیل رویکردهای جنگل تصادفی، ماشین بردار پشتیبان، شبکه عصبی مصنوعی و شبکه عصبی بازگشتی مبتنی بر یادگیری عمیق به بررسی توانایی مدل های مختلف یادگیری ماشین در پیش‌بینی شاخص کل بورس اوراق بهادار تهران در طی دوره ی 1392 تا 1399 پرداخته شده است. نتایج پیش بینی دوره‌های 1، 3 و 6 روزه برای دوره خارج از نمونه نشان می‌دهد که روش‌ یادگیری ماشین مبتنی بر شبکه عصبی بازگشتی حافظه طولانی کوتاه‌مدت (LSTM) در مقایسه با سایر مدل‌های مورد بررسی نتیجه بهتری داشته است. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  397 - ارزیابی و اعتبارسنجی معماری بهینه یادگیری عمیق در پیش بینی قیمت سهام (رویکرد الگوریتم حافظه کوتاه مدت ماندگار LSTM )
  امیر شریف فر مریم خلیلی عراقی ایمان رئیسی وانانی میر فیض فلاح
  امروزه انواع مدل‌های هوش مصنوعی جایگاه خود را در محاسبات و پیش‌بینی‌های بازارهای مالی تثبیت کرده‌اند؛ در این میان معماری‌های مبتنی بر یادگیری عمیق که خود براساس الگوریتم‌های یادگیری ماشینی می‌باشند، از طریق رفع ضعف‌های‌ مدل‌های سنتی شبکه عصبی در خصوص پیش-بینی ساختارهای أکثر

  امروزه انواع مدل‌های هوش مصنوعی جایگاه خود را در محاسبات و پیش‌بینی‌های بازارهای مالی تثبیت کرده‌اند؛ در این میان معماری‌های مبتنی بر یادگیری عمیق که خود براساس الگوریتم‌های یادگیری ماشینی می‌باشند، از طریق رفع ضعف‌های‌ مدل‌های سنتی شبکه عصبی در خصوص پیش-بینی ساختارهای دینامیک، مورد توجه قرار گرفته‌اند. مهمترین مزیت الگوریتم‌های یادگیری عمیق نسبت به مدل‌های سنتی شبکه‌ عصبی، استخراج خودکار ویژگی‌های مناسب از ورودی‌های خام می-باشد که از آن برای روند یادگیری مدل استفاده می‌کند؛ به عبارتی الگوریتم‌های این روش از چندین لایه‌ی پردازش اطلاعات و به ویژه اطلاعات غیرخطی بهره می‌برند تا بهترین ویژگی‌های مناسب را از ورودی خام استخراج نمایند. در پژوهش حاضر توانایی معماری‌های الگوریتم حافظه کوتاه‌مدت ماندگار (LSTM) جهت پیش-بینی قیمت سهام مورد بررسی قرار گرفته است؛ علاوه بر این، ضمن طبقه‌بندی عوامل موثر بر قیمت سهام، مولفه‌‌های نشان‌دهنده معاملات سهامداران حقیقی و حقوقی به عنوان عاملی اثرگذار بر قیمت سهام معرفی و بررسی شده است. برای اجرای مدل از سه گروه داده‌های قیمتی، شاخص‌های تکنیکال و معاملات سهامداران حقیقی و حقوقی استفاده شده است. نتایج تحقیق نشان از عملکرد بهتر معماری LSTM همراه با لایه Drop Out نسبت به مدل ساده آن و همچنین مدل RNN دارد. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  398 - بررسی مقایسه دقت پیش بینی سیستم شبکه های عصبی مصنوعی بر مبنای رویکرد پرسپترون چندلایه و مدل باینری-لجستیک فالمر در راستای پیش بینی ورشکستگی
  سمیه ساروئی حمیدرضا وکیلی فرد قدرت اله طالب نیا
  تحلیل‌گران مالی و سایر استفاده‌کنندگان برای پیش‌بینی ورشکستگی شرکت‌ها نیاز به اطلاعات مربوط و قابل اتکا دارند که باید اطلاعات به صورت متقارن بین تمامی استفاده‌کنندگان توزیع گردد. بر همین اساس، هدف این پژوهش، بررسی مقایسه دقت پیش بینی سیستم شبکه های عصبی مصنوعی بر مبنای أکثر

  تحلیل‌گران مالی و سایر استفاده‌کنندگان برای پیش‌بینی ورشکستگی شرکت‌ها نیاز به اطلاعات مربوط و قابل اتکا دارند که باید اطلاعات به صورت متقارن بین تمامی استفاده‌کنندگان توزیع گردد. بر همین اساس، هدف این پژوهش، بررسی مقایسه دقت پیش بینی سیستم شبکه های عصبی مصنوعی بر مبنای رویکرد پرسپترون چندلایه و مدل باینری-لجستیک فالمر در راستای پیش بینی ورشستگی است. برای آزمون فرضیه‌ها، از داده‌های ترکیبی 172 شرکت پذیرفته شده در بورس اوراق بهادار تهران در بازه زمانی 1385-1396 استفاده شد. یافته‌های حاصل از تجزیه و تحلیل داده‌های پژوهش نشان داد که سیستم شبکه‌های عصبی مصنوعی بر مبنای رویکرد پرسپترون چندلایه قادرند با دقتی معادل 98 درصد عوامل تاثیر گذار بر ورشکستگی شرکت‌های ایرانی را در سال قبل از ورشکستگی شناسایی نماید. یافته‌های حاصل از بررسی مدل باینری-لجستیک نشان داد که الگوی پیش‌بینی طراحی شده بر اساس روش رگرسیون فالمر قادر است با دقت 82 درصد ورشکستگی شرکتهای نمونه را مورد پیش‌بینی قرار دهد. لذا، استفاده از شبکه‌های عصبی مصنوعی می‌تواند با قدرت و دقت بیشتری ورشکستگی را نسبت مدل‌های رگرسیونی پیش‌بینی نماید تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  399 - پیش بینی قیمت با شبکه عصبی مصنوعی LSTM و مدل انتخاب سبد سهام دارایی‌های مالی و ارز‌های دیجیتال
  فرانک خونساریان بابک تیمورپور محمد علی رستگار
  یافتن راهکار‌هایی برای پیش‌بینی قیمت، تشکیل سبد سهام بهینه و دستیابی به سود بیشتر از اهداف اساسی فعالان بازار‌های مالی می‌باشد. هدف از این پژوهش پیش‌بینی قیمت دارایی‌های مالی نظیر چندین سهام بورس، طلا، سکه و تعدادی از ارزهای دیجیتال با استفاده از مدل شبکه عصبی LSTM و سپ أکثر

  یافتن راهکار‌هایی برای پیش‌بینی قیمت، تشکیل سبد سهام بهینه و دستیابی به سود بیشتر از اهداف اساسی فعالان بازار‌های مالی می‌باشد. هدف از این پژوهش پیش‌بینی قیمت دارایی‌های مالی نظیر چندین سهام بورس، طلا، سکه و تعدادی از ارزهای دیجیتال با استفاده از مدل شبکه عصبی LSTM و سپس تشکیل سبد سهام بهینه با محاسبه میزان بازده، ریسک و معیار شارپ است. داده‌های استفاده شده از آرشیو وب‌سایت بورس و اوراق بهادار تهران، وب‌سایت شبکه اطلاع‌رسانی طلا، سکه و ارز و همچنین وب‌سایت خرید و فروش ارزهای دیجیتال می‌باشد. سری زمانی قیمت دارایی‌های مورد بررسی طی سال‌های 2017 تا 2020 میلادی است. همچنین برای ساخت مدل و تحلیل داده‌ها از زبان برنامه‌نویسی پایتون و نرم‌افزار گفی استفاده نمودیم. در پایان مشخص گردید که مدل شبکه عصبی LSTM قادر به پیش‌بینی قیمت دارایی‌های مالی با میزان خطای بسیار کم در هر دارایی می‌باشد و با توجه به میزان معیار شارپ به‌دست آمده برای هر دارایی مالی و ماتریس همبستگی، سهام‌ وبانک و سهام خبهمن 1 و همچنین ارز‌های دیجیتال ترون، تتر و بیت‌کوین سهم بیشتری را در سبد سهام پیشنهادی به خود تخصیص می‌دهند. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  400 - پیش‌ بینی قیمت سهام با استفاده از شبکه‌ های عصبی مصنوعی بر روی داده های محدوده ی کمترین قیمت
  بهمن اشرفی جو ناصر فقهی فرهمند یعقوب علوی متین کمال الدین رحمانی
  امروزه یکی از مهم ترین چالش ها در بازار سرمایه پیش‌بینی قیمت سهام میباشد. داده‌های قیمت سهام، یک سری زمانی مالی را نشان می‌دهد که پیش‌بینی روند آن‌ به دلیل ماهیت پویای آن بسیار دشوار می باشد. یکی از جدیدترین روش های مورد استفاده در پیش‌بینی سری‌های زمانی مالی، شبکه عصبی أکثر

  امروزه یکی از مهم ترین چالش ها در بازار سرمایه پیش‌بینی قیمت سهام میباشد. داده‌های قیمت سهام، یک سری زمانی مالی را نشان می‌دهد که پیش‌بینی روند آن‌ به دلیل ماهیت پویای آن بسیار دشوار می باشد. یکی از جدیدترین روش های مورد استفاده در پیش‌بینی سری‌های زمانی مالی، شبکه عصبی پس انتشار خطا BPNN میباشد. در این مقاله از شبکه‌های عصبی براساس سه الگوریتم یادگیری مختلف لونبرگ – مارکوارت LM، گرادیان مزدوج مقیاس بندی شده SCG و منظم سازی بیزین BR برای پیش‌بینی بازار سهام براساس داده‌های محدوده ی کمترین قیمت و همچنین داده‌های 30 دقیقه‌ای شاخص بورس استفاده کرده و نتایج آن‌ها را با یکدیگر مقایسه می کنیم. هر سه الگوریتم تخمین ۹۹.۹ % را با استفاده از داده‌های محدوده ی کمترین قیمت فراهم می‌کنند. اما زمان استفاده از داده های 30 دقیقه‌ای، دقت تخمین به ترتیب به ۹۶.۲ %، ۹۷.۰ % و ۹۸.۹ % برای الگوریتم لونبرگ-مارکورات، گرادیان مزدوج مقیاس بندی شده و منظم سازی بیزین کاهش می‌یابد، در نهایت شبکه ی عصبی بهینه با روش رگرسیون مقایسه شده تا مشخص شود نتایج شبکه ی عصبی در سری های زمانی غیرخطی پیچیده، کاراتر از روشهای خطی میباشد. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  401 - ارائه ی مدلی جهت پیش بینی روند بازار سهام از طریق تشخیص الگوهای فراکتال مبتنی بر تئوری امواج الیوت با استفاده از روش یادگیری عمیق
  مسعود نادم یحیی کامیابی اسفندیار ملکیان
  امروزه هوش مصنوعی در تشخیص الگوهای نموداری در تحلیل تکنیکال تحولی بزرگ ایجاد کرده است. البته ظهور روش‌‌های جدید و پیچیده‌ در تحلیل تکنیکال، هر بار چالش نویی برای روش‌‌‌‌های هوش مصنوعی فراهم کرده است. از جمله روش‌های مورد‌ اقبال و پیچیده‌ی تحلیل تکنیکال، تئوری امواج الیو أکثر

  امروزه هوش مصنوعی در تشخیص الگوهای نموداری در تحلیل تکنیکال تحولی بزرگ ایجاد کرده است. البته ظهور روش‌‌های جدید و پیچیده‌ در تحلیل تکنیکال، هر بار چالش نویی برای روش‌‌‌‌های هوش مصنوعی فراهم کرده است. از جمله روش‌های مورد‌ اقبال و پیچیده‌ی تحلیل تکنیکال، تئوری امواج الیوت است. از طرف دیگر سرعت پیشرفت روش‌های هوش مصنوعی نیز به گونه ای است که هر بار روشی قدرتمندتر معرفی می‌گردد. از جمله روش‌های نوین و قدرتمند هوش مصنوعی روش یادگیری عمیق است. لذا در پژوهش حاضر به ارائه‌ی مدلی جهت پیش‌بینی روند بازار سهام از طریق تشخیص الگوهای فراکتال مبتنی بر تئوری امواج الیوت با استفاده از روش یادگیری عمیق پرداخته شده است. در این پژوهش تعداد 15 الگوی امواج الیوت مدنظر قرار گرفت و سپس تعداد 1002 نمونه از نمودارهای قیمت سهام شرکت های حاضر در بورس ایران، برای الگوها جمع آوری و برچسب گذاری گردید و نهایتاً برای تشخیص به عنوان ورودی به الگوریتم یادگیری عمیق با بکارگیری مدل شبکه های عصبی بازگشتی وارد گردید. در این پژوهش از نرم افزار RapidMiner 9.9 و جهت تعیین توان مدل از معیار صحت استفاده شد. نتایج حاصل نشان دهنده‌ی صحت 61 درصدی در تشخیص الگوها توسط مدل است. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  402 - توسعه سیستم‌های معاملاتی سبد سهام با استفاده از روش‌های یادگیری ماشین
  علی حیدریان محدثه مرادی مهر علی فرهادیان
  تئوری سبد سرمایه‌گذاری یک‌پایه مهم برای مدیریت سبد سهام است که در جامعه دانشگاهی موضوعی است که به‌خوبی موردمطالعه قرارگرفته است اما به‌طور کامل اشباع‌نشده است. ادغام پیش‌بینی بازده در تشکیل سبد سرمایه-گذاری می‌تواند عملکرد مدل بهینه‌سازی سبد را بهبود بخشد. ازآنجایی‌که م أکثر

  تئوری سبد سرمایه‌گذاری یک‌پایه مهم برای مدیریت سبد سهام است که در جامعه دانشگاهی موضوعی است که به‌خوبی موردمطالعه قرارگرفته است اما به‌طور کامل اشباع‌نشده است. ادغام پیش‌بینی بازده در تشکیل سبد سرمایه-گذاری می‌تواند عملکرد مدل بهینه‌سازی سبد را بهبود بخشد. ازآنجایی‌که مدل‌های یادگیری ماشین برتری قابل‌توجهی نسبت به مدل‌های آماری نشان داده‌اند، در این پژوهش، یک رویکرد جدید تشکیل سبد سهام در دو مرحله ارائه‌شده است. مرحله اول با پیاده‌سازی شبکه عصبی پیچشی، سهام مناسب برای خرید انتخاب‌شده و در مرحله دوم با استفاده از مدل میانگین-واریانس (MV)، وزن بهینه در سبد سرمایه‌گذاری برای آنها تعیین می‌شود. به‌طور خاص، مراحل انتخاب سهام مناسب و تشکیل سبد سهام دو مرحله اصلی مدل توسعه داده‌شده در این پژوهش است. مرحله اول، یک مدل شبکه عصبی پیچشی برای پیش‌بینی نقاط خرید و فروش سهام برای دوره بعدی پیشنهادشده است. مرحله دوم، سهامی که برچسب خرید می‌گیرند به‌عنوان سهام با مناسب برای خرید انتخاب‌شده و از مدل MV برای تعیین وزن بهینه آن‌ها در سبد سهام استفاده می‌شود. نتایج به‌دست‌آمده با استفاده از 5 سهم از بازار بهادار تهران به‌عنوان نمونه مطالعه نشان می‌دهد که بازده و نسبت شارپ روش پیشنهادی از روش‌های سنتی (بدون فیلتر کردن سهام مناسب) به‌طور قابل‌توجهی بهتر است. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  403 - ارائه مدلی جهت پیش‌بینی قیمت سهام با استفاده از روش‌های فرا ابتکاری و شبکه‌های عصبی
  سید حسین میرعلوی زهرا پورزمانی
  به دلیل پیچیدگی بازار بورس و حجم بالای اطلاعات مورد پردازش، اغلب استفاده از یک سیستم ساده برای پیش‌بینی نتایج خوبی به همراه ندارد. به همین دلیل محققان با ارائه‌ی مدل‌های ترکیبی سعی در ارائه‌ی سیستمی با پیچیدگی کمتر و کارایی و دقت بیشتر کرده‌اند. امروزه از الگوهای مختلفی أکثر

  به دلیل پیچیدگی بازار بورس و حجم بالای اطلاعات مورد پردازش، اغلب استفاده از یک سیستم ساده برای پیش‌بینی نتایج خوبی به همراه ندارد. به همین دلیل محققان با ارائه‌ی مدل‌های ترکیبی سعی در ارائه‌ی سیستمی با پیچیدگی کمتر و کارایی و دقت بیشتر کرده‌اند. امروزه از الگوهای مختلفی مانند: تکنیک های آماری (تحلیل تشخیصی، لوجیت و آنالیز فاکتوری) و تکنیک های هوش مصنوعی (شبکه های عصبی، درخت تصمیم گیری، استدلال مبتنی بر موضوع، الگوریتم ژنتیک، مجموعه های سخت، ماشین بردار تکیه گاه و منطق فازی) و یا ترکیبی از این دو تکنیک برای پیش بینی قیمت سهام استفاده می شود. در اکثر مدل‌های پیش‌بینی کننده، سیستم فقط با استفاده از اطلاعات یک شاخص به پیش‌بینی می‌پردازد، اما در مدل پیشنهادی در این پژوهش یک سیستم دو سطحی از شبکه‌های عصبی پرسپترون چندلایه پیشنهاد شده و از چندین شاخص برای پیش‌بینی استفاده می‌شود. در این پژوهش داده‌های شاخص قیمت بورس اوراق بهادار تهران از 1391 تا 1395 برای این منظور در نظر گرفته شده است. همچنین برای آموزش بهتر شبکه‌ی عصبی و در نتیجه بهبود نتایج بدست آمده، از الگوریتم بهینه‌سازی ملخ برای انتخاب بهترین نمونه‌ها استفاده شده است. نتایج بدست آمده نشان می‌دهد که مدل پیشنهادی توانسته با خطای پیش‌بینی پایین‌تری نسبت به دیگر مدل‌ها عمل کند تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  404 - مدل فازی عصبی با ترکیب الگوریتم ژنتیک جهت پیش بینی قیمت سهام در صنعت خودرو در بورس اوراق بهادار تهران
  احسان ساده رضا احتشامی راثی علی شیدایی نرمیقی
  تعیین زمان بهینه و قیمت مناسب خرید و فروش سهام نقش بسزایی در تصمیمات سرمایه‌گذاری در بازار سرمایه و سود و زیان سرمایه‌گذار دارند. می‌توان از سیستم‌های هوشمند غیرخطی همچون شبکه عصبی مصنوعی، شبکه عصبی فازی و الگوریتم ژنتیک برای پیش‌بینی تغییرات قیمت سهام استفاده نمود. در أکثر

  تعیین زمان بهینه و قیمت مناسب خرید و فروش سهام نقش بسزایی در تصمیمات سرمایه‌گذاری در بازار سرمایه و سود و زیان سرمایه‌گذار دارند. می‌توان از سیستم‌های هوشمند غیرخطی همچون شبکه عصبی مصنوعی، شبکه عصبی فازی و الگوریتم ژنتیک برای پیش‌بینی تغییرات قیمت سهام استفاده نمود. در این مقاله به طراحی و ارائه یک مدل پیش‌بینی قیمت سهام با استفاده از سیستم استنتاج عصبی فازی انطباقی و ترکیب آن با الگوریتم ژنتیک پرداخته شده است که در آن از دو دسته مختلف متغیرهای فنی و بنیادی به‌عنوان ورودی‌های مدل استفاده می‌شود. خروجی‌های حاصل از شبکه نشان می دهد میزان خطای پیش‌بینی هر دو دسته از ورودی های بنیادی و فنی تا حد قابل قبولی پایین است و این سیستم‌ها از توانایی لازم برای پیش‌بینی قیمت روزانه سهام برخوردار می‌باشند. برای ارزیابی دقت مدل، آزمون من ویتنی انجام گردید که با توجه به ورودی‌های مشخص شده برای دو حالت بنیادی و فنی، مشاهده گردید که تقریباً تفاوت معناداری بین نتایج پیش‌بینی قیمت در این دو روش وجود ندارد. هر دو روش بنیادی و فنی به شرط آنکه حداقل یکی از ورودی‌های آنها وابستگی خطی با قیمت داشته باشد، قادر به پیش‌بینی قیمت روز آتی با ضریب خطای نسبتاً قابل قبولی خواهند بود. همچنین در خصوص سهامی که میزان نوسانات قیمتی آن زیاد است، استفاده از رویکرد شبکه عصبی منجر به افزایش سطح خطای پیش‌بینی خواهد گردید و توصیه می‌شود از این روش برای پیش‌بینی قیمت سهام پرنوسان استفاده نشود. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  405 - پیش‌بینی مدیریت سود مبتنی بر مدل جونز تعدیل شده با استفاده از مدل شبکه عصبی مصنوعی و الگوریتم ژنتیک
  خسرو فغانی ماکرانی سیدحسن صالح نژاد وحید امین
  در سالهای اخیر مدیریت سود در پژوهش های دانشگاهی توجه زیادی را به خود جلب کرده است. هدف این پژوهش پیش بینی مدیریت سود از طریق اقلام تعهدی اختیاری مبتنی بر مدل جونز تعدیل شده است. در این پژوهش از دو مدل شبکه عصبی مصنوعی و مدل ترکیبی الگوریتم ژنتیک – شبکه عصبی به عنو أکثر

  در سالهای اخیر مدیریت سود در پژوهش های دانشگاهی توجه زیادی را به خود جلب کرده است. هدف این پژوهش پیش بینی مدیریت سود از طریق اقلام تعهدی اختیاری مبتنی بر مدل جونز تعدیل شده است. در این پژوهش از دو مدل شبکه عصبی مصنوعی و مدل ترکیبی الگوریتم ژنتیک – شبکه عصبی به عنوان الگوی موفقجهت پیش بینی مدیریت سود مبتنی بر جونز تعدیل شده در بورس اوراق بهادار تهران استفاده شده است. نمونه مورد استفاده در این پژوهش شامل 570 سال-شرکت بین سالهای 1387 الی 1392 می باشد. یافته های پژوهش نشان داد که شبکه عصبی مصنوعی از توانایی بالایی در پیش بینی مدیریت سود، نسبت به مدل خطی جونز تعدیل شده برخوردار است. همچنین یافته ها حاکی از آن است که الگوریتم ژنتیک به عنوان مدل بهینه ساز می تواند در افزایش توان پیش بینی شبکه عصبی مصنوعی و بهینه کردن وزن های آن برای پیش بینی مدیریت سود مبتنی بر مدل جونز تعدیل شده تأثیر بسزایی داشته باشد. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  406 - بومی‌سازی الگوهای ارزیابی ریسک سیستماتیک برپایه متغیر های مالی و غیر‌مالی
  علیرضا اسلام پور رویا دارابی
  تصمیم‌گیری در مسائل مالی و اقتصادی به دلیل عدم اطمینان آتی، همواره با ریسک همراه است. بنابراین یکی از راه های کمک به سرمایه‌گذاران، ارائه الگوهای پیش‌بینی ریسک سرمایه‌گذاری می‌باشد. هر چه این پیش‌بینی‌ها به واقعیت نزدیکتر باشند، تصمیم‌گیری‌هایی که بر اساس چنین پیش‌بینی أکثر

  تصمیم‌گیری در مسائل مالی و اقتصادی به دلیل عدم اطمینان آتی، همواره با ریسک همراه است. بنابراین یکی از راه های کمک به سرمایه‌گذاران، ارائه الگوهای پیش‌بینی ریسک سرمایه‌گذاری می‌باشد. هر چه این پیش‌بینی‌ها به واقعیت نزدیکتر باشند، تصمیم‌گیری‌هایی که بر اساس چنین پیش‌بینی‌هایی اتخاذ می‌شوند، صحیح‌تر خواهد بود. هدف اصلی پژوهش تجربی حاضر پیش‌بینی ریسک سیستماتیک با تاکید بر متغیرهای مالی و غیرمالی می‌باشد. جامعه آماری این پژوهش، شرکت‌های پذیرفته‌ شده در بورس اوراق بهادار تهران است. داده‌های مورد مطالعه این پژوهش شامل 552 سال- شرکت از سال‌های 1392 تا 1397 می‌باشد. برای آزمون فرضیه ها از رویکرد شبکه های عصبی مصنوعی و الگوریتم های کرم شب، درخت تصمیم و رگرسیون ماشین بردار پشتیبان استفاده شده است. نتایج حاصل شده از آزمون فرضیه‌های تحقیق نشان داد که هر سه الگوریتم، قدرت تبیین ریسک سیستماتیک را دارا می‌باشند. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  407 - بهینه‌سازی پارامترهای اندیکاتورهای تحلیل تکنیکال برای داده‌های درون‌روزی با استفاده از الگوریتم الهام‌گرفته از پدیده‌های نوری: مطالعه موردی بورس تهران
  محمد علی رستگار فرح آشوری
  در این پژوهش یک سیستم معاملاتی سهام مبتنی بر ترکیب شش اندیکاتور تکنیکال طراحی شده‌است. برای ترکیب این اندیکاتورها از شبکه عصبی مصنوعی استفاده شده‌‌ و بهینه‌سازی پارامترهای این اندیکاتورها با الگوریتم فراابتکاری الهام‌گرفته از پدیده‌های نوری (اپتیک) مبتنی بر ترکیب محدب ا أکثر

  در این پژوهش یک سیستم معاملاتی سهام مبتنی بر ترکیب شش اندیکاتور تکنیکال طراحی شده‌است. برای ترکیب این اندیکاتورها از شبکه عصبی مصنوعی استفاده شده‌‌ و بهینه‌سازی پارامترهای این اندیکاتورها با الگوریتم فراابتکاری الهام‌گرفته از پدیده‌های نوری (اپتیک) مبتنی بر ترکیب محدب انجام شده‌است. در مدل ارائه‌شده با هدف بیشینه‌سازی نسبت شارپ اصلاح‌شده، پارامترهای بهینه اندیکاتورهای تکنیکال با الگوریتم‌های اپتیک و ژنتیک به دست آمده‌است. در این پژوهش از داده‌های درون‌روزی قیمت سهام استفاده شده و هزینه‌های معاملاتی لحاظ شده‌است. نتایج این مدل با نتایج حاصل از به‌کار‌گیری پارامترهای استاندارد اندیکاتورها، نتایج حاصل از راهبرد خرید‌و‌نگه‌داری و نیز نتایج حاصل از به‌کار‌گیری الگوریتم ژنتیک برای بهینه‌سازی پارامتر اندیکاتورها، در هر دو حالت روزانه و درون‌روزی مقایسه شده و به دلیل کسب نسبت شارپ اصلاح‌شده بیشتر توسط مدل ارائه‌شده، در همه موارد برتری آن نشان داده‌شده‌است. همچنین در مقایسه نتایج در حالت‌های درون‌روزی و روزانه بر‌اساس معیار بازدهی پایان دوره بدون لحاظ هزینه‌های معاملاتی، در بیشتر موارد داده‌های درون‌روزی بازدهی بیشتری داشت لکن پس از لحاظ کردن هزینه‌های معاملاتی برتری در نتایج درون‌روزی مشاهده نمی‌شود. لذا کاهش هزینه معاملاتی برای افزایش انگیزه معامله‌گران در انجام معاملات درون‌روزی توصیه می‌شود. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  408 - به کارگیری الگوهای بهینه‌سازی پایدار و برنامه‌ریزی آرمانی در مسئله انتخاب سبد سرمایه‌گذاری چند دوره‌ای
  ساغر همائی‌فر عماد روغنیان
  یکی از مهم ترین مسائل دنیای مالی، انتخاب سبد سرمایه گذاری است. سرمایه گذاران همواره برآنند که بهترین تصمیمات را مطابق با شرایط دنیای واقعی اتخاذ نمایند. در دنیای واقعی از یک طرف، داده ها همواره با عدم قطعیت مواجه هستند و از طرف دیگر استراتژی‌‌ها برای انتخاب سبد سرمایه گ أکثر

  یکی از مهم ترین مسائل دنیای مالی، انتخاب سبد سرمایه گذاری است. سرمایه گذاران همواره برآنند که بهترین تصمیمات را مطابق با شرایط دنیای واقعی اتخاذ نمایند. در دنیای واقعی از یک طرف، داده ها همواره با عدم قطعیت مواجه هستند و از طرف دیگر استراتژی‌‌ها برای انتخاب سبد سرمایه گذاری، اغلب چند دوره‌ای هستند و سرمایه گذار باید موقعیت خود را در طول زمان مورد بازنگری قرار دهد. از این رو در این پژوهش به بهینه سازی سبد سرمایه گذاری با در نظر گرفتن افق چند دوره ای و هزینه مبادلات می پردازیم، عدم قطعیت داده ها نیز با استفاده از برنامه ریزی پایدار و خصوصاً رویکرد برتسیماس و سیم، مدل سازی می شود. مدل ارائه شده یک مدل چند هدفه میانگین-ارزش در معرض خطر شرطی است که برای حل آن از برنامه ریزی آرمانی استفاده می شود. در حل مدل مذکور به پیش بینی بازده های آتی سهام نیاز است که این امر با استفاده ازکاربرد شبکه عصبی در پیش بینی قیمت آتی سهام انجام می گردد. در نهایت کیفیت نتایج حاصل از مدل پایدار ارائه شده با نتایج مدل قطعی مقایسه می شوند. نتایج حاصل از حل مدل حاکی از آن است که در نظر گرفتن فرض عدم قطعیت داده ها، در کنار سایر فروض عنوان شده، مقدار تابع هدف نهایی را بدتر می کند که نشان دهنده منطقی بودن جواب های حاصل از مدل است. به عبارت دیگر ما از حل این مدل به پاسخ های کاراتر و کاربردی تری دست می یابیم. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  409 - ﭘﯿﺶﺑﯿﻨﯽ رفتار قیمتی سهام در ﺑﻮرس اوراق ﺑﻬﺎدار با استفاده از ﺷﺒﮑﻪی ﻋﺼﺒﯽ مصنوعی (مطالعه موردی شرکت پالایش نفت اصفهان)
  حسین بدیعی روح اله رضازاده هادی محمودی
  شبکه های عصبی مصنوعی مدل هایی ریاضی می باشند که الهام گرفته از سیستم عصبی و مغز انسان می باشند. در این تحقیق هدف محقق بر آن است که به پیش بینی قیمت سهام روز بعد در بورس اوراق بهادار تهران با استفاده از مدل پرسپترون چند لایه از شبکه‌های عصبی مصنوعی بپردازد، و با روش های أکثر

  شبکه های عصبی مصنوعی مدل هایی ریاضی می باشند که الهام گرفته از سیستم عصبی و مغز انسان می باشند. در این تحقیق هدف محقق بر آن است که به پیش بینی قیمت سهام روز بعد در بورس اوراق بهادار تهران با استفاده از مدل پرسپترون چند لایه از شبکه‌های عصبی مصنوعی بپردازد، و با روش های مختلف خطای این پیش بینی را بهبود بخشد. قیمت گذاری بالای سهام می تواند با کاهش تقاضا برای سهام در دست واگذاری، فرایندخصوصی سازی را با شکست مواجه سازد و قیمت گذاری نازل سهام نیز با ایجاد شبهات متعدد در زمینه نحوه واگذاری اموال عمومی، شکست درازمدت سیاست واگذاری را به دنبال دارد. باتوجه به اهمیت این مقوله،نو پابودن بازارسرمایه و نیز عدم وجود موسسات تامین سرمایه و بانک‌های سرمایه‌گذاری در ایران، پیش‌بینی رفتار قیمت سهام و روند صعودی و یا نزولی بودن آن می‌تواند در تصمیمات و استراتژی‌های مدیران موثر باشد. مطالعه حاضر با هدف پیش بینی قیمت پایانی سهام با به کارگیری داده‌های روزانه از طریق شبکه عصبی صورت پذیرفته است. نتایج بدست آمده نشان می دهد که مدل شبکه عصبی دارای خطای پایین و قدرت توضیح دهندگی بالا و در نتیجه از قدرت پیش‌بینی خوبی برخوردار می باشد. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  410 - بررسی و شناخت متغیرهای اصلی تاثیرگذار بر شاخص کل بورس اوراق بهادار تهران و مدلسازی آن با استفاده از شبکه های عصبی مصنوعی و مقایسه نتایج حاصله با تحلیل تکنیکال و موجهای الیوت
  محمد کامروافر سیدذبیح اله هاشمی
  هدف اصلی این مطالعه، بررسی و شناخت متغیرهای اصلی تاثیرگذار بر شاخص کل بورس اوراق بهادار تهران و مدلسازی آن با استفاده از شبکه های عصبی مصنوعی و مقایسه نتایج حاصله با تحلیل تکنیکال و موجهای الیوت است. متغیرهای توضیحی به کار رفته در مدل تحقیق: نرخ ارز، تورم، بیکاری، رشد أکثر

  هدف اصلی این مطالعه، بررسی و شناخت متغیرهای اصلی تاثیرگذار بر شاخص کل بورس اوراق بهادار تهران و مدلسازی آن با استفاده از شبکه های عصبی مصنوعی و مقایسه نتایج حاصله با تحلیل تکنیکال و موجهای الیوت است. متغیرهای توضیحی به کار رفته در مدل تحقیق: نرخ ارز، تورم، بیکاری، رشد تولید و حجم نقدینگی بودند و متغیر هدف در این مطالعه شاخص کل بورس اوراق بهادار تهران می باشد. در این تحقیق از شبکه های عصبی GMDH و MLP و همچنین ابزارهای تحلیل تکنیکال (امواج الیوت و کانال رگرسیون) استفاده گردید. در این خصوص شبکه GMDH نشان داد که از میان متغیرهای مورد استفاده به عنوان شاخصهای کلان اقتصادی، متغیر نرخ بیکاری متغیر زائد بوده و تاثیر آن ناچیز است. اما سایر متغیرها (نرخ ارز، تورم، رشد تولید، حجم نقدینگی) اثر مضاعفی داشتند. همچنین یافته دیگر تحقیق ضمن تایید نتایج مشابه برای شبکه عصبی و تحلیل تکنیکال، حاکی از قدرت بالاتر شبکه های عصبی در پیش بینی شاخص بورس است. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  411 - پیش بینی قیمت سهام بر اساس شبکه عصبی LM-BP و برآورد نقطه بیش از حد توسط شمارش فواصل زمانی: شواهدی از بورس اوراق بهادار
  محمدرضا وطن پرست مسعود اسدی شعبان محمدی عباس بابایی
  در این پژوهش برای تعیین روش پیش بینی قیمت سهام، یک شبکه عصبی LM-BP بر اساس سری های زمانی با توجه به قیمت باز، بالاترین قیمت، پایین ترین قیمت، قیمت بسته و حجم معاملات ارائه شد. در پژوهش حاضر، 315 روز قیمت سهام را برای ایجاد 10 نمونه انتخاب و مجموعه آزمون شامل قیمت سهام ا أکثر

  در این پژوهش برای تعیین روش پیش بینی قیمت سهام، یک شبکه عصبی LM-BP بر اساس سری های زمانی با توجه به قیمت باز، بالاترین قیمت، پایین ترین قیمت، قیمت بسته و حجم معاملات ارائه شد. در پژوهش حاضر، 315 روز قیمت سهام را برای ایجاد 10 نمونه انتخاب و مجموعه آزمون شامل قیمت سهام از روز 316 تا روز 320 را انتخاب و از شبکه عصبی LM-BP استفاده شده است. در این پژوهش، تعیین نقطه بحرانی بیش از حد، عدم تقارن و شمارش فواصل زمانی بررسی شد. منحنی MRE2-MRE1 رسم شده و دقت مربوط به بهترین پیش بینی شبکه عصبی BP بر اساس چند تکرار مستقل برآورد شد. پس آزمون نیز به روش آزمون کوپیک و آزمون کریستوفرسون انجام شد. نتایج نشان داد که پیش بینی قیمت سهام بر اساس شبکه عصبی LM-BP و برآورد نقطه بیش از حد توسط شمارش فواصل زمانی، نتایج بهتری نسبت به روش های موجود ارائه می دهد. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  412 - پیش بینی خطر سقوط قیمت سهام با استفاده از روش های فرا ابتکاری ( الگوریتم بهینه سازی حرکت تجمعی ذرات) و مقایسه با رگرسیون لوجستیک
  اسفندیار ملکیان حسین فخاری جمال قاسمی سروه فرزاد
  ریسک سقوط قیمت سهام ریسکی است که نشان می دهد تا چه اندازه قیمت سهام خاص درمعرض خطر سقوط قرار دارد. بر همین اساس هدف این پژوهش، مدل بندی پیش بینی خطر سقوط قیمت سهام شرکتهای پذیرفته شده در بورس اوراق بهادار تهران، با استفاده از الگوریتم بهینه سازی حرکت تجمعی ذرات بر مبنای أکثر

  ریسک سقوط قیمت سهام ریسکی است که نشان می دهد تا چه اندازه قیمت سهام خاص درمعرض خطر سقوط قرار دارد. بر همین اساس هدف این پژوهش، مدل بندی پیش بینی خطر سقوط قیمت سهام شرکتهای پذیرفته شده در بورس اوراق بهادار تهران، با استفاده از الگوریتم بهینه سازی حرکت تجمعی ذرات بر مبنای مدل چند متغیره و مقایسه نتایج با رگرسیون لوجستیک می باشد. بدین منظوریک فرضیه برای بررسی این موضوع تدوین و داده های مربوط به 106 شرکت عضو بورس اوراق بهادار تهران برای دوره ی زمانی بین سال های 1389تا 1393 مورد تجزیه و تحلیل قرار گرفت. ابتدا 14 متغیر مستقل به عنوان ورودی الگوریتم ترکیبی ژنتیک و شبکه عصبی مصنوعی که به عنوان یک روش انتخاب ویژگی در نظر گرفته شده است، وارد مدل گردید و 7 متغیر بهینه انتخاب شد سپس با استفاده از الگوریتم تجمعی ذرات و رگرسیون لجستیک اقدام به پیش بینی خطر سقوط قیمت سهام می نماییم. یافته های پژوهش نشان می دهد که الگوریتم تجمع ذرات نسبت به روش سنتی رگرسیون لجستیک توانایی بیشتری در پیش بینی خطر سقوط قیمت سهام دارد، بنابراین فرضیه پژوهش تایید می شود. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  413 - مقایسه عملکرد مدل پنج عاملی فاما و فرنچ و انواع رویکرد های شبکه عصبی و عصبی فازی در پیش بینی قیمت سهام
  رضا تهرانی میلاد حیرانی سمیرا منصوری
  یکی از مهم‌ترین موضوعات مطرح بازارهای مالی پیش‌بینی قیمت و بازده سهام است. در این پژوهش سعی می‌شود بهترین مدل و رویکرد پیش‌بینی قیمت سهام با توجه به شاخص های میانگین مربعات خطا (MSE)، مجذور میانگین مربعات خطاها (RMSE)، ضریب تعیین ( 14R2"> ) انحراف معیار (S.D)، میانگی أکثر

  یکی از مهم‌ترین موضوعات مطرح بازارهای مالی پیش‌بینی قیمت و بازده سهام است. در این پژوهش سعی می‌شود بهترین مدل و رویکرد پیش‌بینی قیمت سهام با توجه به شاخص های میانگین مربعات خطا (MSE)، مجذور میانگین مربعات خطاها (RMSE)، ضریب تعیین ( 14R2"> ) انحراف معیار (S.D)، میانگین قدر مطلق خطاها (MAE) و معیار میانگین قدر مطلق خطاها (MAPE) برای مدل پنج عاملی فاما و فرنچ انتخاب شود. بدین منظور پس از تشکیل پرتفوی با توجه به مدل پنج عاملی فاما و فرنچ در بازه زمانی 1388 تا 1395 قیمت سهام توسط مدل اقتصادسنجی، رویکردهای شبکه عصبی، شبکه عصبی بهینه سازی شده، شبکه عصبی فازی بهینه سازی شده شبکه عصبی پایه شعاعی، شبکه عصبی GMDH، شبکه عصبی SVR و شبکه های عصبی فازی پیش‌بینی و دقت هر کدام از رویکردها برآورد شده است. نتایج پیش‌بینی بازدهی پرتفوی‌های تشکیل شده، نشان می‌دهد که دقت پیش‌بینی شبکه عصبی تابع پایه شعاعی (RBF) نسبت به دیگر مدل های ARMA و شبکه‌های عصبی بسیار بالا است. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  414 - کاربرد روش‌های گوسی و شعاعی در پیش بینی محدودیت مالی شرکت‌های پذیرفته شده در بورس اوراق بهادار تهران
  محمدرضا غلامزاده مهدی فغانی احمد پیفه
  یکی از مسائل مهم در پیش بینی محدودیت مالی، انتخاب متغیرهای مناسب جهت پیش بینی می‌باشد. در این پژوهش جهت پیش بینی محدودیت مالی، روش هوش مصنوعی فرآیند گوسی و شبکه عصبی شعاعی را بررسی نمودیم. برای این منظور تعداد 208 شرکت طی سال‌های 1390 تا 1396 به‌عنوان جامعه آماری انتخاب أکثر

  یکی از مسائل مهم در پیش بینی محدودیت مالی، انتخاب متغیرهای مناسب جهت پیش بینی می‌باشد. در این پژوهش جهت پیش بینی محدودیت مالی، روش هوش مصنوعی فرآیند گوسی و شبکه عصبی شعاعی را بررسی نمودیم. برای این منظور تعداد 208 شرکت طی سال‌های 1390 تا 1396 به‌عنوان جامعه آماری انتخاب‌ شده‌اند که با توجه به در دسترس بودن اطلاعات، تمام شرکت‌ها به‌عنوان نمونه آماری مورد بررسی قرارگرفته است. نتایج این پژوهش که نشان داد روش‌های هوش مصنوعی توانایی پیش بینی محدودیت مالی شرکت‌های پذیرفته شده در بورس اوراق بهادار تهران را دارد. بنابراین فرضیه اصلی این پژوهش تأیید می‌گردد و روش‌های شبکه عصبی شعاعی و فرآیند گوسی روش های کارآمد برای پیش‌بینی محدودیت مالی است. همچنین نتایج پژوهش نشان داد که متغیرهای ارزش شرکت، نسبت وجه نقد عملیاتی به دارایی‌ها، اهرم مالی، بازده دارایی‌ها، درصد مالکان نهادی دارای بیشترین اهمیت در پیش‌بینی محدودیت مالی می‌باشند. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  415 - استفاده از الگوریتم ترکیبی عصبی کرم شب‌تاب و روش رگولاسیون بیزین جهت پیش‌بینی قیمت سهام
  سید علیرضا موسوی افسانه غلامی
  پیش‌بینی قیمت سهام در آینده هم برای خریداران سهام و هم برای فروشندگان آن از اهمیت بالایی برخوردار است. از این رو، جهت توسعه مدلی مبتنی بر هوش مصنوعی به منظور پیش‌بینی قیمت سهام در بازار ایران از شبکه‌های عصبی مصنوعی در این پژوهش استفاده گردیده است. از آنجایی که شبکه‌های أکثر

  پیش‌بینی قیمت سهام در آینده هم برای خریداران سهام و هم برای فروشندگان آن از اهمیت بالایی برخوردار است. از این رو، جهت توسعه مدلی مبتنی بر هوش مصنوعی به منظور پیش‌بینی قیمت سهام در بازار ایران از شبکه‌های عصبی مصنوعی در این پژوهش استفاده گردیده است. از آنجایی که شبکه‌های عصبی مصنوعی می‌بایست جهت حصول بهینه‌ترین عملکرد دارای بهترین توپولوژی شبکه باشند، از الگوریتم فرا ابتکاری شناخته‌شده‌ای تحت عنوان کرم شب‌تاب جهت یافتن ساختار بهینه شبکه استفاده گردیده است. در نهایت نیز جهت حفظ هرچه بیشتر عمومیت شبکه از روش رگولاسیون بیزین، به جای روش های متداول آموزش، جهت آموزش شبکه استفاده گردیده است. بطور کلی، داده‌های مربوط به سه شرکت بزرگ: ایران خودرو، پتروشیمی شیراز و ذوب آهن اصفهان برای سه سال متوالی مورد جمع‌آوری قرار گرفته و از پارامترهای: حجم معاملات، قیمت بالا، قیمت پایین، قیمت باز، قیمت پایانی، EMA(5)، EMA(10)، RSI، William R%، Stochastic k%، Stochastic D%، و ROC بعنوان ورودی شبکه و از قیمت پایانی سهام در روز آینده بعنوان خروجی شبکه عصبی استفاده گردیده است. پس از توسعه مدل مرتبط با هر شرکت از پارامترهای آماری نظیر: مجذور میانگین مربعات خطا (RMSE)، انحراف از معیار خطا (SDE)، متوسط مطلق خطای نسبی (AARD)، ضریب رگرسیون (R2)و همچنین آنالیز گرافیکی نمودار خطای نسبی جهت سنجش دقت شبکه توسعه داده شده استفاده گردیده است. نتایج حاصل از آنالیز خطای شبکه‌های عصبی توسعه داده شده نشان می‌دهند که مدل‌های مذکور با دقت بسیار مناسبی قادر به پیش‌بینی قیمت سهام در روز آینده برای شرکت‌های ذکر شده می‌باشند. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  416 - پیش بینی دامنه تغییرات طلا با استفاده از مدل ترکیبی ARIMA و شبکه عصبی
  شاپور محمدی رضا راعی محمدرضا رحیمی
  مدل خودرگرسیو میانگین متحرک انباشته (ARIMA) که تحت عنوان روش باکس و جنکینزشناخته می‌شود، یکی از پرکاربردترین مدل‌ها در پیش‌بینی سری‌های زمانی است. اما پیش فرض اصلی این مدل خطی بودن سری های زمانی می باشد. از سوی دیگر شبکه ی عصبی یک تخمین زننده ی عمومی است که الگو های غی أکثر

  مدل خودرگرسیو میانگین متحرک انباشته (ARIMA) که تحت عنوان روش باکس و جنکینزشناخته می‌شود، یکی از پرکاربردترین مدل‌ها در پیش‌بینی سری‌های زمانی است. اما پیش فرض اصلی این مدل خطی بودن سری های زمانی می باشد. از سوی دیگر شبکه ی عصبی یک تخمین زننده ی عمومی است که الگو های غیر خطی را بسیار خوب مدل سازی می نماید. دانستن الگوی داده ها مبنی بر خطی و غیر خطی بودن در واقعیت کمی دشوار است، بنابراین این ایده در ذهن ایجاد می گردد که تلفیق مدل های خطی و غیرخطی می تواند منجر به افزایش دقت پیش بینی گردد. از این رو، در این پژوهش بخش خطی را بوسیله ی مدل ARIMA پیش بینی کرده، آن گاه پسماند های غیر خطی را بوسیله ی شبکه ی عصبی پیش خور مدل سازی نموده و پیش بینی حاصل از آن را به مدل ARIMA ، به منظور پیش بینی حد بالای قیمت، حد پایین قیمت و قیمت پایانی اونس طلا (برای یک مرحله پیش رو) اضافه می نماییم. نتایج بررسی دقت مدل ترکیبی نسبت بر هر یک از مدل های ARIMA و شبکه ی عصبی بر اساس دو معیار MSE و MAE با استفاده از آزمون های مقایسه زوجی و دایبولد- ماریانو دال بر عملکرد بهتر مدل ترکیبی است. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  417 - آزمون عملکرد الگوریتم جنگل های تصادفی و الگوریتم شبکه عصبی عمیق در استراتژی آربیتراژ آماری
  علیرضا فضل زاده جعفر حقیقت فرانک پورکیوان وحید احمدیان
  در این تحقیق به آنالیز اثر بخشی الگوریتم جنگل های تصادفی در زمینه آربیتراژ آماری پرداخته شده است، همچنین برای سنجش عملکرد الگوریتم جنگل های تصادفی در زمینه آربیتراژ آماری نسبت به دیگر مدل های ارائه شده در پژوهش های پیشین، مقایسه نتایج بدست آمده از کاربرد این الگوریتم با أکثر

  در این تحقیق به آنالیز اثر بخشی الگوریتم جنگل های تصادفی در زمینه آربیتراژ آماری پرداخته شده است، همچنین برای سنجش عملکرد الگوریتم جنگل های تصادفی در زمینه آربیتراژ آماری نسبت به دیگر مدل های ارائه شده در پژوهش های پیشین، مقایسه نتایج بدست آمده از کاربرد این الگوریتم با الگوریتم شبکه های عصبی عمیق انجام شده است. مدل های مورد نظر با اطلاعات مربوط به قیمت سهام آموزش داده شده و خروجی بدست آمده از این تکنیک، سهام را بر اساس موقعیت خرید و فروش طبقه بندی کرده است. با استفاده از این استراتژی موقعیت های سودآوری در بازار سهام برای کسب سود شناسایی می شود. نتایج نشان داد مدل جنگل های تصادفی دارای خطای طبقه بندی کمتری نسبت به مدل شبکه عصبی عمیق می باشد، بنابراین مدل جنگل های تصادفی روش مناسب تری برای استفاده در استراتژی آربیتراژ آماری و کسب سود می باشد. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  418 - پیش‌بینی شاخص کل بورس اوراق بهادار تهران با استفاده از رویکرد ترکیبی الگوریتم های فراابتکاری، هوش مصنوعی و معادله پارامتریک موجک
  علیرضا سارنج مجید قدس رضا تهرانی
  موضوع شناخت و بررسی رفتار قیمت سهام، همواره یکی از موضوع های مهم و موردتوجه محافل علمی و سرمایه‌گذاری بوده است. در سالیان گذشته مدل های گوناگونی برای پیش‌بینی با استفاده از شبکه عصبی و مدل های ترکیبی پیشنهاد شده‌اند که از مدل های سنتی عملکرد بهتری داشتند. در این پژوهش ی أکثر

  موضوع شناخت و بررسی رفتار قیمت سهام، همواره یکی از موضوع های مهم و موردتوجه محافل علمی و سرمایه‌گذاری بوده است. در سالیان گذشته مدل های گوناگونی برای پیش‌بینی با استفاده از شبکه عصبی و مدل های ترکیبی پیشنهاد شده‌اند که از مدل های سنتی عملکرد بهتری داشتند. در این پژوهش یک مدل ترکیبی از شبکه عصبی و تبدیل موجک پیشنهادشده است که از الگوریتم ژنتیک برای بهینه سازی تابع پایه تبدیل موجک با هدف حداکثر نمایی کارایی این تبدیل، استفاده‌شده است. داده های مورداستفاده برای این پژوهش داده های روزانه از تاریخ 02/02/1391 تا تاریخ 30/01/1396 است. نتایج این پژوهش نشان داد که با این روش می‌توان تابع پایه‌ای متناسب با ویژگی های ذاتی سری زمانی برای پیش‌بینی یافت که خطای پیش‌بینی در این مدل نسبت به مدل شبکه عصبی و مدل ترکیبی شبکه عصبی و تبدیل موجک کاهش یابد. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  419 - A Method for Solving Nonsmooth Pseudoconvex Optimization
  Maryam Bala Seyed Ghasir Aghileh Heydari Mohammad Ali Badamchizadeh
  10.30495/ijm2c.2022.1938594.1230
  In this paper, a two layer recurrent neural network (RNN) is shown for solving nonsmooth pseudoconvex optimization . First it is proved that the equilibrium point of the proposed neural network (NN) is equivalent to the optimal solution of the orginal optimization probl أکثر

  In this paper, a two layer recurrent neural network (RNN) is shown for solving nonsmooth pseudoconvex optimization . First it is proved that the equilibrium point of the proposed neural network (NN) is equivalent to the optimal solution of the orginal optimization problem. Then, it is proved that the state of the proposed neural network is stable in the sense of Lyapunov, and convergent to an exact optimal solution of the original optimization. Finally two examples are given to illustrate the effectiveness of the proposed neural network. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  420 - Comparison of the Efficiency of Statistical Learning Algorithms and Artificial Neural Networks to Predict Stock Prices
  Alireza Sadat Najafi Soheila Sardar
  10.30495/ijm2c.2022.1948716.1241
  The importance of the capital market in economic development is undeniable through the effective management of capital and the optimal allocation of resources. In this study, according to capital market behaviors and research, Statistical Learning (SL) algorithms compar أکثر

  The importance of the capital market in economic development is undeniable through the effective management of capital and the optimal allocation of resources. In this study, according to capital market behaviors and research, Statistical Learning (SL) algorithms compared to Artificial Neural Networks (ANN) to analyze time-series data and predict stock prices have been investigated. In studies to compare methods or provide hybrid models, most statistical learning algorithms are limited and examined without the comparison of other algorithms. In this study, to eliminate this shortcoming by implementing and comparing statistical learning algorithms in the two categories of Regression Learner and Classification Learner, the most efficient algorithm has been identified based on the selected shares and based on the presented parameters. The first category (Regression Learner) includes Linear Regression, Interaction Linear Regression, Robust Linear Regression, Stepwise Linear Regression, Fine Tree, Medium Tree, Coarse Tree, Linear Support Vector Machine (SVM), Quadratic SVM, Cubic SVM, Fine Gaussian SVM, Medium Gaussian SVM, Coarse Gaussian SVM, Ensemble Boosted Trees, Ensemble Bagged Trees, Squared Exponential Gaussian Process Regression, Matern 5/2 Gaussian Process Regression, Exponential Gaussian Process Regression, Rational Quadratic Gaussian Process Regression. The second category (Classification Learner) includes Gaussian, Naive Bayes, K-nearest neighbors. The results show that Regression Learner methods are more effective in predicting the price of selected stocks. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  421 - APPLICATION NEURAL NETWORK TO SOLVE ORDINARY DIFFERENTIAL EQUATIONS
  Nouredin Parandin Somayeh Ezadi
  In this paper, we introduce a hybrid approach based on neural network and optimization teqnique to solve ordinary differential equation. In proposed model we use heyperbolic secont transformation function in hiden layer of neural network part and bfgs teqnique in optimi أکثر

  In this paper, we introduce a hybrid approach based on neural network and optimization teqnique to solve ordinary differential equation. In proposed model we use heyperbolic secont transformation function in hiden layer of neural network part and bfgs teqnique in optimization part. In comparison with existing similar neural networks proposed model provides solutions with high accuracy. Numerical examples with simulation results illustrate the effectiveness of the proposed model. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  422 - AN IMPROVED CONTROLLED CHAOTIC NEURAL NETWORK FOR PATTERN RECOGNITION
  Maryam Nahvi Farsi Majid Amirfakhrian Alireza Vasiq
  A sigmoid function is necessary for creation a chaotic neural network (CNN). In this paper, a new function for CNN is proposed that it can increase the speed of convergence. In the proposed method, we use a novel signal for controlling chaos. Both the theory analysis an أکثر

  A sigmoid function is necessary for creation a chaotic neural network (CNN). In this paper, a new function for CNN is proposed that it can increase the speed of convergence. In the proposed method, we use a novel signal for controlling chaos. Both the theory analysis and computer simulation results show that the performance of CNN can be improved remarkably by using our method. By means of this control method, the outputs of the controlled CNN converge to the stored patterns and they are dependent on the initial patterns. We observed that the controlled CNN can distinguish two initial patterns even if they are slightly different. These characteristics imply that the controlled CNN can be used for pattern recognition. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  423 - AN INTELLIGENT FAULT DIAGNOSIS APPROACH FOR GEARS AND BEARINGS BASED ON WAVELET TRANSFORM AS A PREPROCESSOR AND ARTIFICIAL NEURAL NETWORKS
  Mahmuod Akbari Hadi Homaei Mohammad Heidari
  In this paper, a fault diagnosis system based on discrete wavelet transform (DWT) and artificial neural networks (ANNs) is designed to diagnose different types of fault in gears and bearings. DWT is an advanced signal-processing technique for fault detection and identif أکثر

  In this paper, a fault diagnosis system based on discrete wavelet transform (DWT) and artificial neural networks (ANNs) is designed to diagnose different types of fault in gears and bearings. DWT is an advanced signal-processing technique for fault detection and identification. Five features of wavelet transform RMS, crest factor, kurtosis, standard deviation and skewness of discrete wavelet coefficients of normalized vibration signals has been selected. These features are considered as the feature vector for training purpose of the ANN. A wavelet selection criteria, Maximum Energy to Shannon Entropy ratio, is used to select an appropriate mother wavelet and discrete level, for feature extraction. To ameliorate the algorithm, various ANNs were exploited to optimize the algorithm so as to determine the best values for ‘‘number of neurons in hidden layer” resulted in a high-speed, meticulous three-layer ANN with a small-sized structure. The diagnosis success rate of this ANN was 100% for experimental data set. Some experimental set of data has been used to verify the effectiveness and accuracy of the proposed method. To develop this method in general fault diagnosis application, three different examples were investigated in cement industry. In first example a MLP network with well-formed and optimized structure (20:15:7) and remarkable accuracy was presented providing the capability to identify different faults of gears and bearings. In second example a neural network with optimized structure (20:15:4) was presented to identify different faults of bearings and in third example an optimized network (20:15:3) was presented to diagnose different faults of gears. The performance of the neural networks in learning, classifying and general fault diagnosis were found encouraging and can be concluded that neural networks have high potential in condition monitoring of the gears and bearings with various faults. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  424 - پیش بینی موفقیت طرح های سرمایه گذاری مناطق آزاد تجاری – صنعتی ارس و ماکو و منطقه ویژه اقتصادی سلماس با استفاده از تکنیک شبکه عصبی چندلایه پرسپترون
  مرتضی شکرزاده مجتبی شکرزاده
  هدف اصلی از این پژوهش این است که الگویی را برای پیش بینی موفقیت طرح های سرمایه گذاری در مناطق آزاد تجاری – صنعتی ارس و ماکو و منطقه ویژه اقتصادی سلماس ارائه دهد. برای تجزیه و تحلیل داده های این تحقیق از نرم افزارهایexpert choice، MATLAB و SPSS و PLS استفاده شده اس أکثر

  هدف اصلی از این پژوهش این است که الگویی را برای پیش بینی موفقیت طرح های سرمایه گذاری در مناطق آزاد تجاری – صنعتی ارس و ماکو و منطقه ویژه اقتصادی سلماس ارائه دهد. برای تجزیه و تحلیل داده های این تحقیق از نرم افزارهایexpert choice، MATLAB و SPSS و PLS استفاده شده است و با استفاده از مبانی نظری و بصورت کتابخانه ای شش عامل موثر و متغیرهای پیش بینی کننده موفقیت یا شکست طرح های سرمایه گذاری در مناطق آزاد و ویژه اقتصادی کشور شناسایی و بعد از توصیف متغیرها و آزمون نرمال بودن، با استفاده از نرم افزار PLS تحلیل عاملی تاییدی متغیرها صورت گرفت که همگی عوامل از تحلیل عاملی تاییدی مناسبی برخوردار هستند.سپس با استفاده از رگرسیون خطی و آزمون آنالیز واریانس تاثیر هر یک از عوامل بر موفقیت یا شکست طرح های سرمایه گذاری بررسی گردید که نتایج این آزمون نشان دهنده تایید تاثیر هر یک از عوامل بوده است و با استفاده از تحلیل سلسله این عوامل رتبه بندی شدند، که با توجه به این اولویت بندی،شبکه عصبی مورد استفاده شده در این تحقیق نیز شامل داده های 6متغیر به عنوان متغیر ورودی می باشد، با دو لایه میانی با تعداد30 گره در لایه اول و سه گره در لایه دوم می باشد. که دارای یه خروجی است. که نتایج نشان دهنده این بود که مدل شبکه عصبی طراحی شده قدرت پیش بینی موفقیت طرح های سرمایه گذاری را تا 1.2 درصد خطا دارد،که نشان دهنده ی قدرت پیش بینی بالای مدل است تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  425 - مدلسازی پیش بینی نرخ ارز در ایران با استفاده از شبکه عصبی مبتنی بر الگوریتم ژنتیک و الگوریتم ذرات انبوه
  علی جمالی سعید دائی کریم زاده
  در سال‌های اخیر بکارگیری روش های هوش مصنوعی در بازارهای مالی و سرمایه گذاری به جای روش های کمی مرسوم، رو به افزایش بوده و معمولا عملکرد بهتری را نسبت به روش‌های کلاسیک ارائه کرده است. شبکه عصبی مصنوعی علیرغم مزایای فراوان دارای نقاط ضعف نیز می باشند. در این پژوهش به م أکثر

  در سال‌های اخیر بکارگیری روش های هوش مصنوعی در بازارهای مالی و سرمایه گذاری به جای روش های کمی مرسوم، رو به افزایش بوده و معمولا عملکرد بهتری را نسبت به روش‌های کلاسیک ارائه کرده است. شبکه عصبی مصنوعی علیرغم مزایای فراوان دارای نقاط ضعف نیز می باشند. در این پژوهش به منظور غلبه بر نقاط ضعف روش شبکه عصبی با آموزش داده‌های شبکه عصبی از طریق الگوریتم تکاملی یعنی از ترکیب شبکه عصبی مصنوعی با الگوریتم ژنتیک (GA) و الگوریتم ذرات انبوه (PSO) جهت مدلسازی و پیش بینی روزانه نرخ های ارز اسمی در ایران در دوره زمانی 01/01/1392 تا 01/10/1398 استفاده شده است. این مدل‌های ترکیبی با روش شبکه عصبی به عنوان یکی از مدل‌های هوش مصنوعی با توجه به معیارهای خطای MSE، RMSE، MAE،U.Theil مقایسه می‌گردد. نتایج این پژوهش نشان از برتری مدل ترکیبی شبکه عصبی الگوریتم ذرات انبوه نسبت به سایر مدل های مورد بررسی تحقیق دارد تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  426 - Theoretical Study of Relation among Structural Parameter and Water Decontamination Behaviors of some Drugs in Presence of Carbon Nanotube
  Vahhab Fattahimehr Farhad Khamchin Moghadam Hadi Khatami Mashhadi
  10.22034/jchr.2018.544201
  The shortage and extremely high utilization of water resources and the necessity of water with optimal quality for drinking and agricultural use and the preservation of the environment, human has led to the purification of industrial waste and wastewater by preventing t أکثر

  The shortage and extremely high utilization of water resources and the necessity of water with optimal quality for drinking and agricultural use and the preservation of the environment, human has led to the purification of industrial waste and wastewater by preventing the entrance of pollutants into surface water and underground water and creating a trusted cycle. One of the most dangerous pollutants that threating human health and the environment is Pharmaceutical pollution. Due to the high solubility of drugs, conventional purification cannot completely eliminate these contaminants, and the researchers have noted the use of new techniques such as the use of nanotechnology in water treatment, which entails high initial costs. For this reason, one has to look for a solution to these costs; one of the most commonly used methods of using theoretical methods. In this study, an effective method for treating carbon nanotubes in artificial nanotubes using the artificial neural network (ANN) system and the fuzzy-nerve adaptive inference system (ANFIS) has been used. Some structural descriptors Such as polar surface area, LUMO, HOMO and molecular volume were calculated and studied for more influential performance in experimental experiments. In this regard, the control error and the test error were analyzed and the correlation between the effective parameters was determined. Then, a parameter that has a greater impact on water contamination has been identified in the presence and absence of carbon nanotubes. As a result, the polar surface has the greatest impact. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  427 - توانایی الگوریتم‌های یادگیری ماشین و شبکه‌های عصبی مصنوعی در پیش‌بینی محتوای اطلاعاتی سود حسابداری قبل از اعلان آن
  حسین علیزاده مجید زنجیردار غلامعلی حاجی
  10.30495/afi.2023.1962857.1137
  هدف: هدف از پژوهش حاضر بررسی توانایی شبکه‌های عصبی مصنوعی و الگوریتم‌های یادگیری ماشین شامل ماشین بردار پشتیبان و جنگل تصادفی در پیش‌بینی محتوای اطلاعاتی سود حسابداری قبل از اعلان آن در شرکت‌های پذیرفته شده در بورس اوراق بهادار تهران در بازه زمانی سال‌های 1394الی 1399می أکثر

  هدف: هدف از پژوهش حاضر بررسی توانایی شبکه‌های عصبی مصنوعی و الگوریتم‌های یادگیری ماشین شامل ماشین بردار پشتیبان و جنگل تصادفی در پیش‌بینی محتوای اطلاعاتی سود حسابداری قبل از اعلان آن در شرکت‌های پذیرفته شده در بورس اوراق بهادار تهران در بازه زمانی سال‌های 1394الی 1399می‌باشد.روش‌شناسی پژوهش: برای جمع‌آوری داده‌های روزانه موردنیاز پژوهش از نرم‌افزار ره‌آورد نوین استفاده شده است و با استفاده از روش نمونه‌گیری حذفی سیستماتیک 88 شرکت انتخاب شدند. از نرم‌افزار متلب به‌منظور مدل‌سازی شبکه‌های عصبی و الگوریتم‌های یادگیری ماشین استفاده شده است و به‌منظور محاسبه بازده غیرعادی در شبکه‌های عصبی و الگوریتم‌های یادگیری ماشین از کد نوشته شده در نرم‌افزار پایتون استفاده شده است. محتوای اطلاعاتی سود از طریق آزمون ارتباط بین سود و بازده غیرعادی و بر اساس مدل پورتی و همکاران (Poretti et al., 2018) سنجیده شده است. متغیرهای ورودی شبکه‌های عصبی و الگوریتم‌های یادگیری ماشین اندیکاتورها تحلیل تکنیکال می‌باشند. به‌منظور ارزیابی عملکرد طبقه‌بندی، از معیارهای صحت، دقت، فراخوانی و اندازه F استفاده شده است.یافته‌ها: نتایج حاصل از پیش‌بینی سه مدل شبکه‌های عصبی مصنوعی، ماشین بردار پشتیبان و جنگل تصادفی نشان داد که ماشین بردار پشتیبان و جنگل تصادفی از دقت بالاتری نسبت به شبکه‌های عصبی مصنوعی، در پیش‌بینی استراتژی خرید، فروش و نگهداری برخوردار بوده‌اند و تنها ماشین بردار پشتیبان از سه مدل مذکور توان پیش‌بینی محتوای اطلاعاتی سود را داشته است.اصالت / ارزش‌افزوده علمی: طراحی مدل پیش‌بینی جهت حرکت قیمت سهام در روز آتی معاملاتی، با سه روش شبکه‌های عصبی مصنوعی، ماشین بردار پشتیبان و جنگل تصادفی به‌عنوان اصلی‌ترین نوآوری پژوهش می‌باشد و همچنین یافته‌های پژوهش می‌تواند سرعت انتقال اطلاعات به بازار و جذب آن را افزایش دهد که این عامل منجر به کاهش اثر عدم تقارن اطلاعاتی و معاملات مبتنی بر اطلاعات نهانی و در نهایت افزایش کارایی بازار خواهد شد. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  428 - ارائه مدلی برای پیش‌بینی ارزش‌گذاری معاملات بلوکی با رویکرد شبکه عصبی مصنوعی LSTM
  عادله بحرینی مریم اکبریان فرد مهدی خوشنود
  10.30495/afi.2023.1991282.1242
  هدف: در غالب پژوهش‌های پیشین در ایران و سایر کشورهای دیگر توانمندی سیستم‌های هوشمند در پیش‌بینی متغیرهای اقتصادی و مالی به‌ویژه قیمت سهام تأیید شده است، اما در ارزش‌گذاری معاملات بلوکی برای اولین‌بار محاسبه می‌گردد. هدف پژوهش حاضر بررسی نتایج رویدادها و اطلاعات از گزارش أکثر

  هدف: در غالب پژوهش‌های پیشین در ایران و سایر کشورهای دیگر توانمندی سیستم‌های هوشمند در پیش‌بینی متغیرهای اقتصادی و مالی به‌ویژه قیمت سهام تأیید شده است، اما در ارزش‌گذاری معاملات بلوکی برای اولین‌بار محاسبه می‌گردد. هدف پژوهش حاضر بررسی نتایج رویدادها و اطلاعات از گزارش‌‌های مالی شرکت‌های پذیرفته شده در بورس اوراق بهادار تهران در قالب 15 شاخص مالی و یافتن میزان تأثیرگذاری این شاخص‌ها بر ارزش‌گذاری معاملات بلوکی با استفاده از آزمون Rmse بر روی داده‌های Test موردمطالعه قرار گرفته است.روش‌شناسی پژوهش: بدین منظور از اطلاعات مالی 64 شرکت ازمجموعه شرکت‌های پذیرفته شده درسازمان بورس اوراق بهادارتهران برای دوره زمانی 1390 تا1400 استفاده شده است. فرضیه‌ی تحقیق با بهره‌گیری از شبکه عصبی یادگیری عمیق مدل LSTM آزمون شده‌است.یافته‌ها: شبکة عصبی LSTM به جهت توانمندی بالا در آموزش داده‌ها و وزن‌های مناسب به این داده‌ها و خلق مسیری که با سرعت و دقت نتایج قابل‌قبولی جهت پیش‌بینی ارزش‌گذاری معاملات بلوکی دارد.اصالت / ارزش‌افزوده علمی: در مدل ارائه شده با اندازه‌گیری ارزش‌گذاری معاملات بلوکی، قیمت این معاملات، اثرات اطلاعات و نقدینگی معاملات با اندازه‌بزرگ را واپایش خواهیم نمود. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  429 - On the dynamic stability of a flying vehicle under the follower and transversal forces
  Omid Kavianipour Majid Sohrabian
  This paper deals with the problem of the instability regions of a free-free uniform Bernoulli beam consisting of two concentrated masses at the two free ends under the follower and transversal forces as a model for a space structure. The follower force is the model for أکثر

  This paper deals with the problem of the instability regions of a free-free uniform Bernoulli beam consisting of two concentrated masses at the two free ends under the follower and transversal forces as a model for a space structure. The follower force is the model for the propulsion force and the transversal force is the controller force. The main aim of this study is to analyze the effects of the concentrated masses on the beam instability. It is determined that the transverse and rotary inertia of the concentrated masses cause a change in the critical follower force. This paper also offers an approximation method as a design tool to find the optimal masses at the two tips using an artificial neural network (ANN) and genetic algorithm (GA). The results show that an increase in the follower and transversal forces leads to an increase of the vibrational motion of the beam which is not desirable for any control system and hence it must be removed by proper approaches. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  430 - ارائه مدل پیش‌بینی ورشکستگی شرکت های بورس اوراق بهادار تهران مبتنی بر مدل ترکیبی شبکه عصبی گروهی دستکاری داده ها و الگوریتم ژنتیک
  حسین وظیفه دوست طیبه زنگنه
  هدف تحقیق حاضر ارائه مدلی کارا و توانمند جهت پیش بینی ورشکستگی شرکت های تولیدی بورس اوراق بهادار تهران با استفاده از یک مدل جدید ترکیبی الگوریتم ژنتیک- شبکه گروهی دستکاری داده ها (GA-GMDH)، می باشد. هم چنین، با استفاده از تعدادی از پر کاربرد ترین روش های انتخاب متغیر در أکثر

  هدف تحقیق حاضر ارائه مدلی کارا و توانمند جهت پیش بینی ورشکستگی شرکت های تولیدی بورس اوراق بهادار تهران با استفاده از یک مدل جدید ترکیبی الگوریتم ژنتیک- شبکه گروهی دستکاری داده ها (GA-GMDH)، می باشد. هم چنین، با استفاده از تعدادی از پر کاربرد ترین روش های انتخاب متغیر در ادبیات پیش بینی ورشکستگی، مطالعه جامعی در جهت شناسائی بهترین متغیر های پیش بینی کننده ورشکستگی شرکت های بورس اوراق بهادار تهران صورت گرفته است. به منظور ساخت مدل‌های پیش بینی در ابتدا با استفاده از چهار روش انتخاب متغیر 1-آزمون T نمونه های مستقل (T-test)، 2- ماتریس همبستگی(CM) ، 3- تحلیل تشخیصی گام به گام (SDA) و 4- تحلیل مولفه های اصلی (PCA)، نسبت های مالی نهایی از بین 19 نسبت مالی متناسب با بازار سرمایه کشور، انتخاب شده است. با استفاده از نسبت‌های مالی انتخاب شده و مدل ترکیبی GA-GMDH، شبکه عصبی- فازی تطبیق‌پذیر ANFIS)) و رگرسیون لجستیک(LR)، 12 مدل جهت پیش بینی ورشکستگی استخراج شد و نتایج حاصل از آن ها مورد مقایسه قرار گرفت. نتایج حاصل از تحقیق، نشان دهنده قابلیت بالای مدل پیشنهادی GA-GMDH در مدل‌سازی پیش‌بینی ورشکستگی و برتری آن بر روش های ANFIS وLR می‌باشد. همچنین، نتایج تحقیق نشان می دهد که روش ماتریس همبستگی در مقایسه با سایر روش‌های انتخاب متغیر، توانایی بیشتری در انتخاب متغیرهای موثر بر پیش‌بینی ورشکستگی شرکت‌ها دارد. بنابراین، مدل CM-GA-GMDH به عنوان بهترین مدل پیش بینی کننده ورشکستگی شرکت‌های بورس اوراق بهادار تهران شناخته می شود. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  431 - بکارگیری شبکه های عصبی مصنوعی جهت برآورد ارزش آفرینی راهبردی شرکت ها از طریق کارایی نسبی در صنعت خودرو
  اکبر ولیزاده اوغانی ناصر فقهی فرهمند فرزین مدرس خیابانی مجید باقرزاده
  این تحقیق با هدف بررسی تاثیر کارایی نسبی شرکت ها بر ارزش آفرینی راهبردی در صنعت خودروی پذیرفته‌شده در بورس اوراق بهادار تهران انجام شده است. داده ها از صورت های مالی شرکت های انتخابی در دوره زمانی 1391-1395 استخراج شده است. ابتدا با اجرای مدل تحلیل پوششی داده ها با یک ا أکثر

  این تحقیق با هدف بررسی تاثیر کارایی نسبی شرکت ها بر ارزش آفرینی راهبردی در صنعت خودروی پذیرفته‌شده در بورس اوراق بهادار تهران انجام شده است. داده ها از صورت های مالی شرکت های انتخابی در دوره زمانی 1391-1395 استخراج شده است. ابتدا با اجرای مدل تحلیل پوششی داده ها با یک الگوی بومی شده، کارایی نسبی برای هر شرکت مشخص شد. سپس ارزش آفرینی راهبردی شرکت ها از متوسط حاصل عواملی مانند بازده حقوق صاحبان سهام، نسبت Q توبین، بازده سرمایه گذاری ها و خلق ثروت برای سهامداران اندازه گیری شد. مدل شبکه عصبی به‌کار گرفته شده در این تحقیق، پرسپترون چندلایه‌ای با الگوی آموزش پس انتشار خطا بوده است. نتایج نشان می دهد که اجرای مدل شبکه عصبی مصنوعی در صنعت خودرو، ارزش آفرینی راهبردی شرکت ها را از روی شاخص کارایی نسبی و دیگر متغیرهای ورودی تا حد مناسبی تبیین می کند. با وجود اینکه برخی از شرکت ها مثل سرمایه گذاری رنا، فنرسازی خاور، سایپا دیزل، گروه بهمن و چرخشگر کارا هستند، اما در سال های اخیر به‌طور متوسط صنعت خودرو از کارایی مناسبی برخوردار نبوده است. در عین‌ حال شرکت ها در این صنعت تا حدودی توانسته‌اند برای سهامداران و مالکان خود به‌صورت راهبردی ایجاد ارزش نمایند تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  432 - Prediction of Ground-Level Air Pollution Using Artificial Neural Network in Tehran
  Afshin Khoshand Mahshid Shahbazi Sehrani Hamidreza Kamalan Siamak Bodaghpour
  10.22034/apj.2017.1.1.6167
  Novel technologies and subsequent pollutions are serious threats to the environment and public health. The environmental pollutions, especially air pollution, are currently leading environmental concerns in developing countries, including Iran. In the present study, the أکثر

  Novel technologies and subsequent pollutions are serious threats to the environment and public health. The environmental pollutions, especially air pollution, are currently leading environmental concerns in developing countries, including Iran. In the present study, the air quality and meteorological data were employed to achieve potent models based on an Artificial Neural Network (ANN) for the prediction of air pollution in Tehran, Iran. The developed models manage to predict daily concentrations of various air pollutants such as O3, PM10, NO2, CO, and PM2.5. The required data were collected daily through the Air Quality Organization from all air quality stations of Tehran within a four-year period (from 2012 to 2015). Training the models was on the basis of Multi-Layer Perceptron (MLP) with the Back Propagation (BP) algorithm using MATLAB program. The results indicated appropriate agreement between the observed and predicted concentrations, as the values of the coefficient of multiple determinations (R2) for all models were more than 0.83. In conclusion, the studied meteorological parameters are effective on all pollutants concentrations. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  433 - شبیه سازی بارش – رواناب با شبکه عصبی (مطالعه موردی: دشت نسا بم)
  مهدی شاهرخی ساردو مجتبی  جعفری کرمانیپور
  پیشبینی رواناب به صورت کوتاه مدت به دلیل رابطه مستقیم آن با چگونگی تعامل مدیران با خطرات جانی ناشی از سیلابها، از اهمیت خاصی برخوردار است. در این تحقیق با استفاده از شبکه های عصبی مصنوعی، اقدام به شبیه سازی فرآیند بارش- رواناب به صورت روزانه، در حوزه آبخیز دشت نسا بم أکثر

  پیشبینی رواناب به صورت کوتاه مدت به دلیل رابطه مستقیم آن با چگونگی تعامل مدیران با خطرات جانی ناشی از سیلابها، از اهمیت خاصی برخوردار است. در این تحقیق با استفاده از شبکه های عصبی مصنوعی، اقدام به شبیه سازی فرآیند بارش- رواناب به صورت روزانه، در حوزه آبخیز دشت نسا بم شده است. به منظور پیش بینی روند آتی بهره برداری از منابع آبی دشت مذکور، ترکیبات مختلفی از داده های بارش و دما و دبی و اختلاف دبی دو روز متوالی ، مورد استفاده قرار گرفت. تعداد نرونهای لایه مخفی در شبکه عصبی بین 2 تا 10 نرون متغیر بود. معیارهای آماری متوسط ریشه مربع خطا RMSE ،متوسط قدر مطلق خطا MAE و ضریب همبستگی Rبرای ارزیابی و مقایسه عملکرد شبکه های عصبی در پیشبینی رواناب، مورد استفاده قرار گرفت. نتایج نشان داد با داشتن 2 ورودی و شبکه عصبی feedforward و یا 1 ورودی و شبکه newrbe بهترین عملکرد حاصل شده و فرآیند بارش- رواناب با دقت بالاتری پیشبینی شده است. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  434 - Predict the success of students in math’s course in final exams in Arak city with neural networks
  Maryam Sadat Abbas Toloie Ashlaghi Reza Radfar
  One very significant issues in most educational systems, the question is educational achievement levels of students in exams. The educational system is one of the most important indicators of education performance and evaluation of teaching and the learning is the fact أکثر

  One very significant issues in most educational systems, the question is educational achievement levels of students in exams. The educational system is one of the most important indicators of education performance and evaluation of teaching and the learning is the fact that the performance of the system output in each year. The method of the research is descriptive-survey. The research community of the study is the third grade secondary school’ students of Arak city. The study sample was 192 students in the 1389-1392 timeframe. The factors affecting the success of students in the final exams at the high school was identified and then offered the artificial neural network model to predict the success of students in examinations. The results showed the selective model of MLP with three layers (input, hidden and output) respectively with (6-3-1) neurons and the estimated accuracy was (95.249). تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  435 - Improving intrusion detection system in the internet of things using a combination of convolutional neural network and cuckoo algorithm
  Ali  Shahriari Mohammad Davarpour Mohammad ahmadinia
  The Internet of Things (IoT) refers to the connection of various devices to each other via the internet. Conceptually, the IoT can be defined as a dynamic, self-configuring network infrastructure based on standards and participatory communication protocols. The main goa أکثر

  The Internet of Things (IoT) refers to the connection of various devices to each other via the internet. Conceptually, the IoT can be defined as a dynamic, self-configuring network infrastructure based on standards and participatory communication protocols. The main goal of the IoT is to lead towards a better and safer community. However, one of the fundamental challenges in developing the IoT is the issue of security, and intrusion detection systems are one of the main methods to create security in the IoT. On the other hand, Convolutional Neural Network (CNN), with its specific features, is one of the best methods for analyzing network data. This network is a type of deep neural network composed of multiple layers that can ultimately reduce the dimensions of features. Additionally, the cuckoo algorithm has parameters required for configuration in the initial search, which are very few and can naturally and efficiently cope with multi-state problems. In this paper, a new method for intrusion detection in the IoT using CNN and feature selection by the cuckoo algorithm is presented. Simulation results indicate the satisfactory performance of the proposed method. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  436 - An Ensemble Deep Learning Model for Detection Covid-19 from CT Scan Images
  Habib Izadkhah
  Diagnosis of covid-19 using deep learning on CT scan images can play an important role in helping doctors. In this paper, by combining EfficientNet-B2 and vision transformers (V iT − 1 − 32) neural networks a new deep transfer learning is proposed. For evaluation, con-f أکثر

  Diagnosis of covid-19 using deep learning on CT scan images can play an important role in helping doctors. In this paper, by combining EfficientNet-B2 and vision transformers (V iT − 1 − 32) neural networks a new deep transfer learning is proposed. For evaluation, con-fusion matrix, precision, accuracy, recall, and F1 score are used. The experimental results are 0.9838 for validation accuracy, 0.9667 for test accuracy, and 0.9839 for accuracy. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  437 - پیش‌بینی پارامترهای چسبندگی الیاف فولادی هوک شکل و بتن با استفاده از شبکه‌های عصبی مصنوعی
  امیر ابراهیم اکبری بقال
  با توجه به اهمیت بکارگیری الیاف فولادی در تقویت بتن، در تحقیق حاضر با استفاده از شبکه‌های عصبی مصنوعی به پیش‌بینی رفتار بیرون کشیدگی الیاف فولادی هوک شکل از بتن پرداخته شده است. به دلیل محدودیت داده‌های جامع آزمایشگاهی، از داده‌های به دست آمده از تحلیل المان محدود به عن أکثر

  با توجه به اهمیت بکارگیری الیاف فولادی در تقویت بتن، در تحقیق حاضر با استفاده از شبکه‌های عصبی مصنوعی به پیش‌بینی رفتار بیرون کشیدگی الیاف فولادی هوک شکل از بتن پرداخته شده است. به دلیل محدودیت داده‌های جامع آزمایشگاهی، از داده‌های به دست آمده از تحلیل المان محدود به عنوان ورودی شبکه عصبی استفاده شده است. به منظور شبیه‌سازی‌ بیرون کشیدگی الیاف از روش المان محدود سه‌بعدی و نرم‌افزار آباکوس استفاده می‌شود. در مدل المان محدود، اندرکنش بین الیاف و بتن با استفاده از مفهوم ناحیه انتقالی سطح مشترک شبیه‌سازی شده است که پارامترهای آن با استفاده از روش المان محدود معکوس و استفاده از نتایج تست تجربی بیرون‌کشیدگی انجام پذیرفته بر روی یک نمونه الیاف به دست آمده است. پس از صحت‌سنجی نتایج مدل عددی با نتایج تجربی، نتایج به ازای پارامترهای مؤثر الیاف استخراج شده و بر اساس آنها مدل‌سازی با استفاده از شبکه‌های عصبی صورت گرفته است. پیش‌بینی نیروی بیرون‌کشیدگی توسط شبکه‌های عصبی مصنوعی چندلایه و الگوریتم آموزش انتشار به عقب، با تکنیک بهینه‌سازی مارکورادت-لونبرگ انجام شده است. نتایج نشان می‌دهد که مدل شبکه عصبی ارائه شده در این تحقیق، به دلیل توانایی استفاده از متغیرهای بیشتر در مدل‌سازی و نتایج دقیق‌تر، روشی مؤثر برای پیش‌بینی نیروی بیرون‌کشیدگی الیاف از بتن است. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  438 - مقایسه روش¬های شبکه عصبی مصنوعی و رگرسیونی در پیش بینی مدول تغییرشکل پذیری سنگ با استفاده از آزمون دیلاتومتری
  منوچهر حسینی روزبه دبیری لاریسا خدادادی
  در علم مهندسی ژئوتکنیک مدول تغییر شکل پذیری(Em) در واقع نسبت تنش به کرنش منتاظر آن می‌‌باشد. کاربرد این مدول در زمینه‌‌های سد سازی ، تونل سازی ، راه سازی وغیره می‌‌باشد. امروزه روش‌های مختلفی برای‌ بدست آوردن مدول شکل پذیری وجود دارد از جمله آنها می¬توان به آزمایش‌های أکثر

  در علم مهندسی ژئوتکنیک مدول تغییر شکل پذیری(Em) در واقع نسبت تنش به کرنش منتاظر آن می‌‌باشد. کاربرد این مدول در زمینه‌‌های سد سازی ، تونل سازی ، راه سازی وغیره می‌‌باشد. امروزه روش‌های مختلفی برای‌ بدست آوردن مدول شکل پذیری وجود دارد از جمله آنها می¬توان به آزمایش‌های برجا (صفحه بارگذاری- دیلاتومتری)، آزمون‌های آزمایشگاهی و روابط تجربی اشاره نمود. همچنین روش¬های مختلفی به منظور پیشبینی و تعیین روابط بین چندین پارامتر مختلف وجود دارد که می¬توان به تحلیل رگرسیونی و شبکه عصبی مصنوعی اشاره نمود. هدف اصلی در تحقیق حاضر‌، ارائه یک رابطه جدید به منظور پیش بینی مدول تغییر شکل پذیری سنگ¬ها قبل از انجام آزمایش دیلاتومتری، با کمترین خطا است. نتایج مطالعات نشان داده است مدل سازی شبکه عصبی نسبت به تحلیل رگرسیونی در تمامی‌متغیرهای مستقل ورودی از کارآمدی بالایی برخوردار بوده و تنها با ورودی پارامترQ به معادله مورد نظر تحلیل رگرسیونی سطح اطمینان بالاتری دارد. همچنین با مقایسه ‌این دو روش مشخص گردید هر چقدر تعداد متغیر ورودی بیشتر باشد شبکه عصبی بهتر عمل می‌کند. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  439 - Multi-Objective Optimization of the Depth and Cementation of Liquefiable Soil Surrounding Tunnels
  Mohammad Shabani Soltan Moradi Mohammad Azadi Homayoun Jahanian
  Designing tunnels in liquefiable sandy soils presents a significant challenge in determining the optimal depth and extent of soil cementation around them. Reducing the depth of the tunnel decreases both the bending anchor force and the axial load on the tunnel's shell, أکثر

  Designing tunnels in liquefiable sandy soils presents a significant challenge in determining the optimal depth and extent of soil cementation around them. Reducing the depth of the tunnel decreases both the bending anchor force and the axial load on the tunnel's shell, yet it leads to an increase in ground surface settlement, and the opposite is true when depth is increased. Enhancing the cementation level at the tunnel's optimal depth reduces both structural uplift and shear forces exerted on the tunnel lining, but it also leads to an increase in axial loads and vice versa. Given the contradictory nature of these outcomes, the FLAC software was employed to simulate tunnels in liquefiable soils to address this dilemma. Subsequently, a neural network was utilized to identify correlations between the inputs and outputs of the simulation. This network was the objective function for identifying optimal values by applying a genetic algorithm. Optimal design parameters were derived using the NSGA-II modified algorithm, a multi-objective optimization technique based on the objective functions. Ultimately, Pareto charts generated from the multi-objective optimization process enabled designers to select the most suitable tunnel location according to their specific requirements concerning depth and soil cementation in liquefied soils. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  440 - مصورسازی اثر توانمندسازها بر مدیریت دانش کتابداران دانشگاه های علوم پزشکی شهر تهران با استفاده از شبکه های عصبی خودسازمانده
  لاله فروتن هاجر زارعی عصمت مومنی سید جواد مرتضوی امیری
  پژوهش حاضر در پی سنجش تاثیر توانمندسازها بر مدیریت دانش کتابداران دانشگاه‌های علوم پزشکی شهر تهران با استفاده از شبکه‌های عصبی خودسازمانده است، و از نوع کاربردی به روش پیمایشی- تحلیلی است. جامعه پژوهش 195 نفر کتابدران دانشگاه های علوم پزشکی شهر تهران، با روش سرشماری کام أکثر

  پژوهش حاضر در پی سنجش تاثیر توانمندسازها بر مدیریت دانش کتابداران دانشگاه‌های علوم پزشکی شهر تهران با استفاده از شبکه‌های عصبی خودسازمانده است، و از نوع کاربردی به روش پیمایشی- تحلیلی است. جامعه پژوهش 195 نفر کتابدران دانشگاه های علوم پزشکی شهر تهران، با روش سرشماری کامل است. ابزار جمع آوری داده‌ها دو پرسشنامه بر اساس مدل‌های لی و چوی، و نانوکا و تاکه‌اوچی بود، و تجزیه و تحلیل داده‌ها با روش آمار توصیفی استنباطی، آزمون پیرسون، فیشر و شبکه عصبی خودسازمانده بود، که با کمک نرم افزارهای اس‌پی‌اس‌اس ، آموس ، و متلب انجام شد. یافته‌ها نشان داد که مقدار وزن اهمیت (شیب خط رگرسیون استاندارد شده) برابر با 55/0 است، و نشان دهنده 30% اثر بخشی توانمندسازها بر مدیریت دانش است، از دیدگاه شاخص‌های برازش ضریب همبستگی بین توانمندسازها و مدیریت دانش مثبت است. نتایج نشان‌داد که توانمندسازهای مدیریت دانش و تمام ابعاد آن رابطه مثبت، معنادار، و تاثیر مستقیم بر مدیریت دانش دارند، بصورتی که بعد پشتیبانی آی‌تی بیشترین، و بعد مهارت‌های تی شکل کمترین عامل تاثیرگذار هستند، و شبکه عصبی خودسازمانده نیز رابطه توامندسازها با مدیریت دانش را تایید کرده است. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  441 - مقایسه ی شبکه ی عصبی مصنوعی با رگرسیون لجستیک در پیش بینی اختلالات روانی بعد از تروما در بیماران دچار آسیب مغزی خفیف
  الهام شفیعی آرش نادمی اسماعیل فخاریان عبدالله امیدی
  هرچند آسیب مغزی شدید می تواند افراد را مستعد ابتلا به اختلال روانی کند، در مورد آسیب تروماتیک مغزی خفیف هنوز جای بحث و بررسی وجود دارد. هدف این پژوهش مقایسه ی قدرت شبکه عصبی مصنوعی در پیش بینی بروز اختلال روانی بعد از تروما در بیماران دچار آسیب مغزی خفیف با رگرسیون لجست أکثر

  هرچند آسیب مغزی شدید می تواند افراد را مستعد ابتلا به اختلال روانی کند، در مورد آسیب تروماتیک مغزی خفیف هنوز جای بحث و بررسی وجود دارد. هدف این پژوهش مقایسه ی قدرت شبکه عصبی مصنوعی در پیش بینی بروز اختلال روانی بعد از تروما در بیماران دچار آسیب مغزی خفیف با رگرسیون لجستیک بود. برای این منظور در یک مطالعه کوهورت آینده نگر، 100 نفر بیمار ترومایی ارجاع شده به مرکز ترومای بیمارستان شهید بهشتی کاشان طی مدت 6 ماه بررسی و با 100 نفر از افراد سالم مقایسه شدند. برای مدل سازی، داده ها به طور تصادفی به دو گروه آموزشی (100 نفر) و آزمایشی (100 نفر) تقسیم شد و برای تخمین قدرت پیش بینی اختلال روانی از منحنی راک و صحت کلاسبندی استفاده شد. نتایج نشان داد، بین دو گروه بیماران تروماتیک خفیف و افراد سالم از نظر اختلالات روانی تفاوت معنی داری وجود دارد و مدلهای شبکه ی عصبی مصنوعی نسبت به مدلهای رگرسیون لجستیک کارایی بهتری نشان می دهند. این پژوهش نشان داد که برای پیش بینی اختلال روانی بایستی شاخص های تشخیص این فاکتور در ابتدای کار از بیماران ترومای مغزی خفیف سنجیده گردیده و سپس به کمک مدل شبکه ی عصبی مصنوعی، به پیش بینی این فاکتور پرداخته شود. لزوم استفاده از این فناوری در موارد غربالگری جمعیتی نتایج مفیدی را در درمان بیماران ترومایی و جلوگیری از بروز مشکلات احتمالی برای اینگونه بیماران دارد. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  442 - Prediction of compressive strength of concretes containing micro silica subject to carbonation using neural network
  Ali Delnavaz
  Concrete materials are exposed to special weather conditions, corrosion and significant damage. For this purpose, the effect of 28-day compressive strength changes on the samples studied in this study was investigated by considering the simultaneous effect of chloride i أکثر

  Concrete materials are exposed to special weather conditions, corrosion and significant damage. For this purpose, the effect of 28-day compressive strength changes on the samples studied in this study was investigated by considering the simultaneous effect of chloride ion penetration and carbonation phenomenon. For this reason, in the first case, the samples are exposed to carbon dioxide once and then to chloride ions. In the latter case, only samples under the influence of chloride infiltration are examined. To make the samples, which include 9 mixing designs, three water-to-cement ratios of 0.35, 0.4 and 0.5 and three percent of 0%, 7% and 10% silica fume have been used. Finally, an optimal model is introduced to predict the compressive strength of concrete containing micro silica exposed to carbonation using artificial neural network. Also, a relation for estimating compressive strength based on the ratio of water to cement and the amount of silica is presented. تفاصيل المقالة