فهرس المقالات آدابوست

• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  1 - ارائه مدل شناسایی تقلب مالیاتی بر مبنای ترکیب الگوریتم درخت تصمیم ID3 بهبود یافته و شبکه های عصبی پرسپترون چندلایه
  اکبر جوادیان کوتنائی عباسعلی پورآقاجان سرحمامی میرسعید حسینی شیروانی
  درآمدهای مالیاتی یکی از مهم ترین منابع درآمدی دولت و تأمین کننده بخش عمده ای از هزینه های دولت است. در سالهای اخیر تقلب در صورت‌های مالی و اظهارنامه های مالیاتی به طور فزاینده ای به‌ یک مشکل جدی برای کسب و کار، دولت و سرمایه‌گذاران تبدیل شده است. اکثر مؤدیان مالیاتی به أکثر

  درآمدهای مالیاتی یکی از مهم ترین منابع درآمدی دولت و تأمین کننده بخش عمده ای از هزینه های دولت است. در سالهای اخیر تقلب در صورت‌های مالی و اظهارنامه های مالیاتی به طور فزاینده ای به‌ یک مشکل جدی برای کسب و کار، دولت و سرمایه‌گذاران تبدیل شده است. اکثر مؤدیان مالیاتی به دنبال راهی برای دستکاری در صورتهای مالی و کاهش سود مشمول مالیات ابرازی خود می باشند. از این رو، شناسایی متقلبین مالیاتی و شرکتهایی که به تقلب در صورتهای مالی می پردازند به امری حیاتی برای دولت تبدیل شده است. هدف از این تحقیق ارائه مدلی است که در آن از الگوریتم درخت تصمیم گیریID3 بهبود یافته استفاده شده است. همچنین برای بهبود عملکرد و دقت آن، با شبکه های عصبی پرسپترون چندلایه بهینه سازی شده توسط الگوریتم ژنتیک ترکیب گردید تا نسبت های مالی مرتبط با تقلب مالیاتی انتخاب نموده و سربار محاسباتی کاهش یابد. درختی که در مدل پیشنهادی ایجاد می شود دارای کمترین عمق ممکن می باشد که از این رو دارای سرعت بالا و سربار محاسباتی پایینی می باشد. بدین منظور صورتهای مالی 60 شرکت پذیرفته شده در بورس اوراق بهادار تهران در سالهای 1394 لغایت 1396 بررسی و 54 نسبت مالی از آن ها استخراج گردید که به وسیله آزمون ANOVA تعداد 23 نسبت و نهایتاً توسط شبکه های عصبی تعداد 7 نسبت مرتبط با تقلب مالیاتی، به عنوان داده های ورودی مدل انتخاب گردید. مدل ارائه شده با دقت 81/4 درصد، در شناسایی شرکتهای دارای تقلب مالیاتی، موفق بوده که نسبت به الگوریتم آدابوست دارای بالاترین دقت و قدرت پیش بینی بوده است. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  2 - استفاده همزمان از همبستگی‌خطی پیرسون و ترکیب الگوریتم‌های داده‌کاوی به منظور بهبود پیش‌بینی نوع تومور در بیماران سرطانی
  محسن غلامی سید جواد میرعابدینی
  امروزه سرطان سینه از شایع‌ترین بیماری‌های سرطان در بین زنان به‌شمار می‌آید. آمارها از رشد شش درصدی این نوع سرطان در ایران حکایت می‌کند که نشان دهنده جدی بودن خطر آن می‌باشد. این در صورتی است که در صورت پیشگیری و یا تشخیص زود هنگام بیماری می‌توان تا حد زیادی از خطرات آن أکثر

  امروزه سرطان سینه از شایع‌ترین بیماری‌های سرطان در بین زنان به‌شمار می‌آید. آمارها از رشد شش درصدی این نوع سرطان در ایران حکایت می‌کند که نشان دهنده جدی بودن خطر آن می‌باشد. این در صورتی است که در صورت پیشگیری و یا تشخیص زود هنگام بیماری می‌توان تا حد زیادی از خطرات آن جلوگیری نمود. با پیشرفت علوم پزشکی، زمینه لازم جهت ایجاد سیستم‌هایی با قابلیت پیشگیری، پیش‌بینی و درمان بیماران با استفاده از فناوری‌های جدید حاصل گردیده است. داده‌کاوی پزشکی سعی در مدل‌سازی و کشف روابط بین عوامل خطرساز جهت پیش‌بینی وضعیت بیماران آینده با کمک از داده‌های در‌دست دارد. در این پژوهش سعی گردیده تا با مقایسه الگوریتم‌های مختلف داده‌کاوی و ترکیب این الگوریتم‌ها، روشی جدید، کارا و با دقت بالا و قابلیت پیاده‌سازی بر روی داده‌های محلی ایجاد گردد. در نهایت روش پیشنهادی که به بهبود کارایی الگوریتم بیز ساده با استفاده از الگوریتم آدابوست می پردازد، توانایی پیش‌بینی نوع تومور خوش‌خیم یا بدخیم با دقت96.67 درصد را دارا می باشد. داده‌های لازم جهت این فرآیند از سایتUCI جهت تشخیص نوع تومور با569 رکورد و32 متغیر، استخراج گردیده است. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  3 - تشخیص ایمیل‌‌های هرزنامه با استفاده از ترکیب الگوریتم‌‌های کلونی مورچه و آدابوست
  مهدی قربانی‌وند فرهاد سلیمانیان قره چپق
  حمله‌های اینترنتی و گسترش فعالیت‌ هکر‌ها برای به سرقت بردن اطلاعات کاربران مختلف روزبه‌روز در حال افزایش است. تهدیدهای اینترنتی هوشمندتر شده‌اند،‌ اهدافشان متنوع‌تر و محدوده عملیاتی‌‌شان نیز گسترده‌تر شده است. اما بااین‌وجود، زمینه‌های اصلی فعالیت‌های آن‌ها تغییر چندانی أکثر

  حمله‌های اینترنتی و گسترش فعالیت‌ هکر‌ها برای به سرقت بردن اطلاعات کاربران مختلف روزبه‌روز در حال افزایش است. تهدیدهای اینترنتی هوشمندتر شده‌اند،‌ اهدافشان متنوع‌تر و محدوده عملیاتی‌‌شان نیز گسترده‌تر شده است. اما بااین‌وجود، زمینه‌های اصلی فعالیت‌های آن‌ها تغییر چندانی نکرده است. بیشتر نفوذها از طریق سرویس‌‌های ایمیل انجام می‌‌گیرد. عمومیت و سادگی استفاده از ایمیل باعث شد تا مشکلاتی برای کاربران ایجاد گردد و مفهومی به نام ایمیل هرزنامه وارد دنیای فن‌‌آوری اطلاعات گردید. لذا باید نوع ایمیل‌‌ها ازنظر هرزنامه و غیر هرزنامه تشخیص داده شوند. در این مقاله، به‌منظور تشخیص ایمیل هرزنامه از مدل ترکیبی بهینه‌‌سازی کلونی مورچه و آدابوست استفاده‌شده است. در الگوریتم ترکیبی از الگوریتم بهینه‌‌سازی کلونی مورچه برای انتخاب ویژگی و از آدابوست برای طبقه‌‌بندی نمونه‌‌ها استفاده‌شده است. در الگوریتم آدابوست برمبنای اختصاص وزن به نمونه‌‌ها، نوع نمونه‌‌های ضعیف و قوی تشخیص داده می‌‌شوند. ارزیابی نتایج بر روی مجموعه داده Spambase با 4601 نمونه نشان داده که درصد صحت مدل پیشنهادی برابر 27/96 درصد است و در مقایسه با الگوریتم‌‌های بهینه‌‌سازی اجتماع ذرات، ژنتیک، بهینه‌‌سازی کلونی مورچه، شبکه‌های عصبی پرسپترون چندلایه، شبکه‌‌های عصبی شعاعی و درخت تصمیم C4.5 دقت بیشتری دارد. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  4 - Improvement of Face Recognition Approach through Fuzzy-Based SVM
  Amir Hooshang Mazinan لیلا یار محمدی
  In this investigation, automatic face recognition algorithms are discussed. For this purpose, a combination of learning algorithms with supervision are realized; in this way, the classification is first designed by the fuzzy-based support vector machine and then the Ada أکثر

  In this investigation, automatic face recognition algorithms are discussed. For this purpose, a combination of learning algorithms with supervision are realized; in this way, the classification is first designed by the fuzzy-based support vector machine and then the AdaBoost meta-algorithm is applied to the designed classification to reach more accuracy and overfitting control. In the research proposed here, in order to address the effects of asymmetric classes, the adaptive coefficients are employed. In addition, to reduce the data size, the principal components analysis is also applied to the raw data. It is to note that the proposed approach is carried out in a set of images extracted from Yale University data set and its accuracy of the proposed one is verified. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  5 - مقایسه توانایی الگوریتم‌های یادگیری ماشین آدابوست و طبقه‌بندی احتمالی بیزین در پیش‌بینی بیش‌اطمینانی مدیران شرکت‌های بازار سرمایه ایران
  شکوفه اعتبار رویا دارابی محسن حمیدیان سیده محبوبه جعفری
  بیش‎اطمینانی که یکی از ویژگی‎های شخصیتی افراد می‌باشد، که ممکن است بر تصمیم‌گیری‌های مدیران شرکت‌ها تأثیر داشته باشد، مدیریت با رفتار غیرمنطقی می‌تواند بر عملکرد شرکت در بلند‌مدت تأثیرگذار باشد. هدف اصلی از پژوهش کاربردی حاضر مقایسه توانایی الگوریتم‌های یادگیری أکثر

  بیش‎اطمینانی که یکی از ویژگی‎های شخصیتی افراد می‌باشد، که ممکن است بر تصمیم‌گیری‌های مدیران شرکت‌ها تأثیر داشته باشد، مدیریت با رفتار غیرمنطقی می‌تواند بر عملکرد شرکت در بلند‌مدت تأثیرگذار باشد. هدف اصلی از پژوهش کاربردی حاضر مقایسه توانایی الگوریتم‌های یادگیری ماشین آدابوست و طبقه‌بندی احتمالی بیزین در پیش‌بینی بیش‌اطمینانی مدیران شرکت‌های بازار سرمایه ایران طی سال‌های 1387 تا 1395 می‌باشد که در این راستا الگوریتم هوش مصنوعی آدابوست و احتمالی بیزین به‌منظور ارائه مدل جهت پیش‌بینی بیش‌اطمینانی مدیریت در شرکت‌های پذیرفته شده بورس اوراق بهادار تهران، برای سال جاری و یک سال آتی اعتبار‌سنجی شدند. درمجموع، تعداد 34 صنعت مختلف به‌عنوان نمونه آماری انتخاب شد (اطلاعات مالی تعداد 3145 شرکت-سال در مجموع). روش گردآوری اطلاعات در بخش مبانی نظری از روش کتابخانه‌ای و برای انجام محاسبات و طبقه‌بندی آماری داده‌های مالی، از نرم‌افزارهای Excel و برای آزمون فرضیه‌های پژوهش از نرم‌افزار matlab 2017 استفاده شده است. یافته‌های پژوهش نشان می‌دهد که، مدل‌های غیرخطی پیش‌بینی الگوریتم آدابوست و الگوریتم احتمالی بیزین به دست آمده، هر دو توانایی پیش‌بینی ‌بیش‌اطمینانی ‌مدیریت برای سال جاری و یک سال بعد را دارند؛ اما مدل پیش‌بینی آدابوست در مقایسه با مدل پیش‌بینی بیزین نتایج بهتری را برای پیش‌بینی اعتماد به نفس کاذب مدیریت دارد که نشان‌دهنده قدرت بیشتر در یادگیری و کارآیی بهتر این مدل به‌منظور پیش‌بینی ‌بیش‌اطمینانی مدیریت می‌باشد. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  6 - مقایسه روش های مختلف انتخاب متغیرهای پیش بین برای پیش بینی بحران مالی شرکت های پذیرفته شده در بورس اوراق بهادار تهران
  محمد نمازی مصطفی کاظم نژاد محمدمهدی نعمت الهی
  در پژوهش های انجام شده در زمینه پیش بینی بحران مالی و ورشکستگی، هدف و تأکید اصلی، ارائه مدل های مناسب و دقیق برای پیش بینی ورشکستگی بوده و کمتر به انتخاب متغیرهای پیش بین و روش های مناسب آن پرداخته شده است. بنابراین، پژوهش حاضر به بررسی و مقایسه سودمندی روش های مختل أکثر

  در پژوهش های انجام شده در زمینه پیش بینی بحران مالی و ورشکستگی، هدف و تأکید اصلی، ارائه مدل های مناسب و دقیق برای پیش بینی ورشکستگی بوده و کمتر به انتخاب متغیرهای پیش بین و روش های مناسب آن پرداخته شده است. بنابراین، پژوهش حاضر به بررسی و مقایسه سودمندی روش های مختلف انتخاب متغیرهای پیش بین درپیش بینی بحران مالی شرکت‌های پذیرفته شده در بورس اوراق بهادار تهران می پردازد. در این راستا، عملکرد روش های انتخاب متغیر، شامل آزمون t، تحلیل ممیزی گام به گام، تحلیل عاملی، ریلیف، مبتنی بر روکشی و مبتنی بر بردارهای پشتیبان، بررسی و با هم مقایسه می شود. طبقه بندی کننده های استفاده شده نیز شامل شبکه های عصبی مصنوعی، ماشین بردار پشتیبان و آدابوست (بوستینگ) می باشد. به طور کلی، یافته های پژوهش حاکی از سودمندی استفاده از روش های انتخاب متغیر نسبت به عدم استفاده از این روش ها در پیش بینی بحران مالی و همچنین وجود تفاوت معنادار بین میزان سودمندی این روش‌هاست. به عبارت دیگر، در صورت استفاده از روش های انتخاب متغیرهای پیش بین، میانگین دقت افزایش و خطای نوع اول و دوم کاهش می یابد. افزون بر این، یافته های پژوهش حاکی از برتری روش انتخاب متغیر مبتنی بر روکشی نسبت به سایر روش‌های انتخاب متغیرهای پیش بین است. تفاصيل المقالة