فهرس المقالات شبکه عصبی

• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  1 - 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
  
  2 - 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
  
  3 - 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
  
  4 - 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
  
  5 - 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
  
  6 - بهبود نحوه تجزیه و تحلیل داده های حجیم مربوط به فایل لاگ با استفاده از مدل زبان بزرگ LLG
  بابک نیکمرد آذین پیشداد گلناز آقایی قزوینی مهرداد عباسی
  هر روز، سازمان‌ها حجم قابل‌توجهی از فایل‌های رخداد (لاگ) تولید می‌کنند که برای بررسی شرایط، اشکال‌زدایی و رفع ناهنجاری‌ها نیاز به پردازش دارند. برون سپاری چنین فرایندی به دلیل نیاز به پردازش بلادرنگ و نگهداری امنیتی مناسب نیست. با توجه به انبوه نرم افزارها و سرویس‌های م أکثر

  هر روز، سازمان‌ها حجم قابل‌توجهی از فایل‌های رخداد (لاگ) تولید می‌کنند که برای بررسی شرایط، اشکال‌زدایی و رفع ناهنجاری‌ها نیاز به پردازش دارند. برون سپاری چنین فرایندی به دلیل نیاز به پردازش بلادرنگ و نگهداری امنیتی مناسب نیست. با توجه به انبوه نرم افزارها و سرویس‌های مختلف، سازمان‌ها با حجم قابل توجهی از گزارش‌ها و رخدادهای تولیدی مواجه هستند که به جای حذف یا نادیده گرفته شدن، باید پردازش شوند. در روش سنتی، کارشناسان روزانه به صورت دستی پرونده‌های رخداد را بررسی می‌کنند که این امر از یک سو باعث کندی فرآیند، افزایش زمان و عدم دقت و از سوی دیگر به دلیل نیاز به نیروی متخصص، هزینه‌های بالای استخدام را در پی دارد. این مقاله راه حلی را معرفی می‌کند که از شبکه‌های عصبی مولد برای ایجاد یک ساختار محلی برای تجزیه و تحلیل گزارش در سازمان استفاده می‌شود. این فرآیند شامل بازیابی و تجزیه فایل‌های متنی از بخش‌های مختلف، تقسیم آن‌ها به بخش‌های قابل مدیریت، جاسازی و ذخیره آن‌ها در یک پایگاه داده برداری است. در این ساختار، یک فرد آموزش دیده بدون تخصص خاص می‌تواند به سرعت به اطلاعات لازم با استفاده از اعلان‌های مناسب (پرامپت نویسی) از یک مدل زبان بزرگ که به صورت محلی در سازمان توسعه یافته و در هر زمان قابل دسترسی است، استفاده کند. ازهمین روی، روش پیشنهادی می¬تواند باعث پایداری امنیت، افزایش سرعت تجزیه و تحلیل و کاهش هزینه‌های منابع انسانی شود. 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 - 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
  
  10 - مقایسه قدرت مدل های شبکه عصبی مصنوعی و شبکه عصبی پویا در پیش بینی نرخ ارز: کاربردی از تبدیل موجک
  محمدعلی خطیب سمنانی منیژه هادی نژاد رکسانا خشوعی
  این مطالعه تلاشی است در جهت به کارگیری ترکیب مدل شبکه ی عصبی پویا و تجزیه ی موجک جهت میسر نمودن امکان انتخاب یک الگوی بهینه جهت پیش بینی متغیر مذکور می باشد. جهت تحقق این مهم، از داده های سری زمانی ماهانه ی نرخ ارز طی بازه ی زمانی فروردین 1377 الی آذر 1391، که مشتمل بر أکثر

  این مطالعه تلاشی است در جهت به کارگیری ترکیب مدل شبکه ی عصبی پویا و تجزیه ی موجک جهت میسر نمودن امکان انتخاب یک الگوی بهینه جهت پیش بینی متغیر مذکور می باشد. جهت تحقق این مهم، از داده های سری زمانی ماهانه ی نرخ ارز طی بازه ی زمانی فروردین 1377 الی آذر 1391، که مشتمل بر 177 مشاهده بوده که از این بین، تعداد 150 مشاهده جهت مدل سازی ها استفاده شده و تعداد 27 مشاهده نیز جهت شبیه سازی و یا به بیان دیگر به منظور ارائه ی پیش بینی های خارج از نمونه به کار گرفته شده است.یافته های این مطالعه حاکی از آن بوده است که اولاً، مدل های شبکه ی عصبی پویا در مقایسه با مدل های شبکه ی عصبی چند لایه ی پیشخور، از عملکرد بهتری در پیش بینی خارج از نمونه ی نرخ ارز،بر مبنای هر دو معیار محاسبه ی خطای پیش بینی MSEو RMSE داشته است و ثانیاً، به کارگیری تکنیک تجزیه ی موجک سبب بهبود نتایج پیش بینی های مدل های مذکور بر مبنای هر دو معیار مذکور گشته است. ثالثاً، در میان مدل های مذکور، بهترین نتیجه متعلق به پیش بینی های حاصل از مدل های شبکه ی عصبی پویای مبتنی بر داده های تجزیه شده با تکنیک موجک بوده است. لذا، استفاده از این ترکیب مدل ها را به عنوان یک ترکیب بهینه می توان به محققان، تحلیل گران و تصمیم گیران پولی کشور، پیشنهاد نمود. 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 - پیش‌بینی ورشکستگی با استفاده از شبکه عصبی مصنوعی و مقایسه آن با مدل تحلیل ممیز چندگانه آلتمن
  محمدرضا ستایش دنیا احدیان پور پروین
  با توجه به نگرانی های منطقی سرمایه گذاران از بازگشت اصل و سود سرمایه‌شان و پیامدها و هزینه‌هایی که وقوع ورشکستگی برای شرکت‌ها و اقتصاد کشور و سایر افراد و نهادها می‌تواند ایجاد نماید. در صورتی‌که بتوان از طریق مدلی احتمال وقوع ورشکستگی شرکت‌ها را پیش‌بینی نمود و پس از آ أکثر

  با توجه به نگرانی های منطقی سرمایه گذاران از بازگشت اصل و سود سرمایه‌شان و پیامدها و هزینه‌هایی که وقوع ورشکستگی برای شرکت‌ها و اقتصاد کشور و سایر افراد و نهادها می‌تواند ایجاد نماید. در صورتی‌که بتوان از طریق مدلی احتمال وقوع ورشکستگی شرکت‌ها را پیش‌بینی نمود و پس از آن با علت‌یابی و استفاده از روش‌های حل مسئله به اصلاح امور شرکت‌ها پرداخت می توان از به هدر رفتن ثروت در قالب سرمایه‌های فیزیکی و انسانی و آثار آن جلوگیری به عمل آورد. علاوه بر این چنین مدلی می‌تواند راهنمای خوبی برای تصمیم گیرندگانی همچون شرکت‌های سرمایه‌گذاری، بانک‌ها و دولت باشد. با توجه به توانایی‌ها و کاربردهای شبکه‌های عصبی مصنوعی و ناشناخته بودن این توانایی ها در بازارهای مالی ایران تحقیق حاضر در جهت ایجاد مدلی برای پیش‌بینی ورشکستگی انجام شده است. جامعه مورد مطالعه در این تحقیق عبارت است از شرکت‌های پذیرفته شده در بورس اوراق بهادار تهران و نمونه مورد بررسی بر اساس نمونه گیری خوشه‌ای صورت گرفته است، بدین صورت که ابتدا بر اساس نمونه گیری تصادفی ساده صنایع کاشی و سرامیک و سایر کانی غیر فلزی، غذایی، نساجی، لاستیک و پلاستیک، قطعات خودرو انتخاب شده و سپس نمونه مورد استفاده برای دوره 5 ساله 1383-1379 بر اساس طبقه بندی استخراج شده است. برای تجزیه و تحلیل داده‌ها که همان اطلاعات استخراج شده از صورت‌های مالی شرکت‌های نمونه است از نرم افزار EXCEL استفاده شده است. به این ترتیب که ابتدا نسبت‌های مالی مربوط به هر مدل بدست آمد سپس مدل آلتمن بر مبنای نسبت‌ها و ضرایب‌شان محاسبه شد و برای تدوین مدل شبکه عصبی نیز از نرم افزار Neuro soulation استفاده شده است و سپس نتایج هر دو مدل بر اساس آزمون نشانه‌‌ای ویلکاکسون، آزمون علامت مورد مقایسه قرار گرفته است نتایج بدست آمده از مدل شبکه‌های عصبی مصنوعی، نشان می‌دهد که این مدل از توانایی بالایی در پیش بینی ورشکستگی برخوردار است و می توان بااطمینان بالایی از آن استفاده کرد البته توجه به این امر ضروری است که ارائه اظهار نظر در مورد ورشکستگی یک شرکت با استفاده از هر روشی فقط بیان کننده هشداری در موردوضعیت آتی شرکت است و نه تایید کننده قطعی ور شکستگی آن. در این تحقیق نتایج حاصل از مدل شبکه عصبی مصنوعی با نتایج حاصل از مدل تحلیل ممیز چند گانه آلتمن مورد مقایسه قرار گرفت و با رد فرضیه Hs در هر دو فرضیه آماری می توان بیان کرد که: 1-مدل برگرفته از شبکه عصبی مصنوعی و تحلیل ممیز چندگانه آلتمن ابزارهای مناسبی جهت پیش بینی ور شکستگی شرکت ها هستند 2-دقت کلی پیش بینی مدل شبکه عصبی مصنوعی در پیش بینی ورشکستگی از تحلیل ممیز چند گانه آلتمن بیشتر است تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  13 - مدل سازی و پیش بینی تولید و مصرف برق در ایران
  محمدرضا امیدی نبی امیدی حشمت اله عسگری میثم جعفری اسکندری
  با توجه به رشد نسبتا بالای مصرف انرژی در کشور، آینده پژوهی در حوزه انرژی الکتریکی به عنوان یک نهاده واسطه ی مهم در تولیدات صنعتی و به عنوان یک کالای نهایی و ضروری در بخش خانگی و تجاری، از الزامات نهادهای اجرایی کشور در زمینه تولید و مصرف برق می باشد. بررسی و پیش بینی أکثر

  با توجه به رشد نسبتا بالای مصرف انرژی در کشور، آینده پژوهی در حوزه انرژی الکتریکی به عنوان یک نهاده واسطه ی مهم در تولیدات صنعتی و به عنوان یک کالای نهایی و ضروری در بخش خانگی و تجاری، از الزامات نهادهای اجرایی کشور در زمینه تولید و مصرف برق می باشد. بررسی و پیش بینی تقاضا و تولید برق فاکتوری ارزشمند در دست مدیران صنعت برق برای اخذ تصمیمات راهبردی است. در این تحقیق با استفاده از سری زمانی تولید و مصرف برق بین سال های 6449 6491 و به کارگیری مدل های پیش بینی باکس جنکینز ، شبکه عصبی مصنوعی و سیستم خاکستری که از - پرکاربرد ترین روش های استفاده شده در مطالعات برای پیش بینی تقاضا و مصرف انرژی می باشند، علاوه بر میزان پیش بینی برای سال های آتی با استفاده از معیار میانگین درصد خطا دقت روش های پیش بینی نیز مورد مطالعه قرا گرفت. نتایج تحقیق نشان داد که روش باکس جنکینز بالاترین دقت را در پیش بینی تولید برق در کشور و شبکه عصبی مصنوعی بالاترین دقت در پیش بینی مصرف برق در کشور دارد. مقادیر پیش بینی شده نشان داد که نسبت تولید به مصرف برق در سال ها آتی تقریبا ثابت با میل کاهنده خواهد بود، میزان تولید برق در ایران در سال 6441 به 461194 میلیون کیلو وات برساعت و مصرف برق نیز به 911192 میلیون کیلو وات بر ساعت خواهد رسید، که می توان با اصلاح الگوهای مصرف و استفاده از روش های نوین تولید نسبت تولید به مصرف را افزایش داد. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  14 - ارائه خط مشی مالی با پیش بینی تقلب صورتهای مالی
  سید جلال احمدی خسرو فغانی ماکرانی نقی فاضلی
  زمینه: مسئولیت مدیریت، ایجاد جو سازمانی مناسب است که در آن تقلب بدترین جرم مطرح شود. روشهای شناسایی تقلب در ارائه خط‌مشی مالی به مدیریت جهت پیشگیری از تقلب نقش بسزایی دارد. هدف: ارائه خط مشی مالی به مدیریت در پیش بینی تقلب صورت‌های مالی با استفاده از تکنیک داده کاوی شبک أکثر

  زمینه: مسئولیت مدیریت، ایجاد جو سازمانی مناسب است که در آن تقلب بدترین جرم مطرح شود. روشهای شناسایی تقلب در ارائه خط‌مشی مالی به مدیریت جهت پیشگیری از تقلب نقش بسزایی دارد. هدف: ارائه خط مشی مالی به مدیریت در پیش بینی تقلب صورت‌های مالی با استفاده از تکنیک داده کاوی شبکه عصبی. روش پژوهش: روش پژوهش توصیفی - کاربردی و قلمرو زمانی نیز از سال 1387 تا 1396می باشد. در این پژوهش، نسبت‌های مالی برای دو نمونه متقلب و غیر متقلب و تکنیک داده کاوی شبکه عصبی مورد تجزیه و تحلیل قرار گرفت. سپس ضریب همبستگی پیرسون در خصوص وجود هم خطی مدل برای نسبت‌های مالی و حذف متغیرهای مستقل همبسته مورد بررسی و آزمون قرار گرفت. در مرحله بعد روش شبکه عصبی جهت ارائه خط مشی مالی به مدیریت در پیش بینی تقلب صورتهای مالی به کار برده شد. یافته ها: روش درخت تصمیم در ارائه خط مشی مالی به مدیریت در پیش بینی تقلب صورت‌های مالی موثر می باشد. نتیجه گیری: از آنجا که روش‌ درخت تصمیم 65.4 درصد پیش بینی صحیح داشته می‌تواند در ارائه خط‌مشی مالی به مدیریت جهت پیش بینی تقلب موثر باشد. 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 - 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
  
  18 - 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
  
  19 - 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
  
  20 - پیش بینی هوشمند نقدینگی دستگاه‌های خودپرداز برمبنای تقاضای مشتریان
  ندا کیانی قاسم توحیدی شبنم رضویان نصرت الله شادنوش مسعود صانعی
  تزریق بیش از اندازه وجه به خودپردازها موجب تحمیل هزینه اضافی به بانک و کمبود وجه در دستگاه‌ها موجب نارضایتی مشتریان و به خطر افتادن برند بانک خواهد شد. برای این منظور باید در دستگاه‌های خودپرداز وجه نقد قابل ملاحظه‌ای تزریق شود تا پاسخگوی نیاز مشتریان باشد؛ اما تأکید بر أکثر

  تزریق بیش از اندازه وجه به خودپردازها موجب تحمیل هزینه اضافی به بانک و کمبود وجه در دستگاه‌ها موجب نارضایتی مشتریان و به خطر افتادن برند بانک خواهد شد. برای این منظور باید در دستگاه‌های خودپرداز وجه نقد قابل ملاحظه‌ای تزریق شود تا پاسخگوی نیاز مشتریان باشد؛ اما تأکید بر این رویه ممکن است سبب رسوب پول در دستگاه‌ها شده و زیان‌های اقتصادی برای بانک به ‌همراه داشته باشد. بنابراین، بانک‌ها همان‌طور که به مدیریت نقدینگی در شعب می‌پردازند، باید با توجه به شرایط زمانی، مکانی و اقتصادی به مدیریت نقدینگی دستگاه‌های خودپرداز نیز بپردازند. مهمترین گام در این راستا تشخیص میزان تقاضای وجه نقد مشتریان است. بدین منظور میانگین تراکنشهای 9 ماه سال 95 برای 1377 دستگاه خودپرداز مورد سنجش قرار داده شده و در این مقاله سعی شده است تا با پیدا کردن یک الگوی رفتاری از مشتریان با استفاده از شبکه عصبی سری زمانی پویا (NARX) روند نقدینگی دستگاه‌های خودپرداز پیش بینی شود. نتایج بدست آمده نشان می دهد که مدل طراحی شده با شبکه عصبی پویا نسبت به مدلهای کلاسیک از کارایی بهتری برخوردار بوده است. 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 - پیش‌بینی سودآوری با رویکرد شبکه عصبی و مقایسه آن با ماشین بردار پشتیبان (svm) و درخت‌تصمیم C5
  ملیحه حبیب زاده مصطفی ایزدپور
  سود به‌عنوان یکی از مهم‌ترین شاخص‌های اندازه‌گیری عملکرد واحد اقتصادی، ازمباحث مهم حسابداری است که باتوجه به محیط رقابتی شدید و اهمیت تصمیم‌گیری سریع و مناسب مدیران جایگاه والایی نیز پیداکرده‌است. بنابراین تجزیه وتحلیل شاخص مزبور، عوامل مؤثربرآن و پیش‌بینی سودآوری بسیار أکثر

  سود به‌عنوان یکی از مهم‌ترین شاخص‌های اندازه‌گیری عملکرد واحد اقتصادی، ازمباحث مهم حسابداری است که باتوجه به محیط رقابتی شدید و اهمیت تصمیم‌گیری سریع و مناسب مدیران جایگاه والایی نیز پیداکرده‌است. بنابراین تجزیه وتحلیل شاخص مزبور، عوامل مؤثربرآن و پیش‌بینی سودآوری بسیارحائزاهمیت است. درهمین راستا، در پژوهش حاضر تعداد 124 شرکت برای بازه‌زمانی1387 تا1395 با مبناقراردادن اطلاعات بنیادی صورت‌های مالی شرکت‌ها؛ اثر34 متغیر بردقت پیش‌بینی سودآوری شرکت‌های پذیرفته‌شده در بورس اوراق بهادار تهران مورد بررسی قرارگرفت. از تکنیک درخت‌تصمیمc5 جهت تعیین متغیرهای معنادار در پیش‌بینی سودآوری به علت سهولت بالا در فهم مدل، استفاده شد. در نهایت پس از تعیین متغیرهای موثر و مشخص شدن 8 متغیر، دقت پیش‌بینی‌ها بااستفاده ازتکنیک شبکه‌عصبی، درخت‌تصمیمC5 و ماشین بردار پشتیبان(SVM) اندازه‌گیری ونتایج حاصل از این3 الگوریتم بایکدیگر مقایسه شد. نتایج مقایسه بیانگر آن بود که بهترین مدل پیش‌بینی سودآوری شرکت‌ها با درنظر گرفتن متغیرهای معنادار، الگوریتم درخت‌تصمیم C5 بادقت93.54% است و پس از آن مدل شبکه عصبی بادقتی برابر81.45% نسبت به ماشین بردارپشتیبان (69.35%) دقیق‌تر و دارای سطح خطای کمتری است. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  28 - طراحی سیستم معاملات تکنیکی سهام با استفاده از مدل ترکیبی شبکه عصبی MLP و الگوریتم‌های تکاملی
  علیرضا سارنج احمدرضا قاسمی اصغر ارم رضا تهرانی
  توسعه سیستم های معاملاتی سهام با استفاده از الگوریتم های تکاملی (EA) طی چند سال اخیر به موضوعی پرمخاطب در حوزه مالی مبدل ‌شده است. در پژوهش حاضر، سیستم معاملاتی تکنیکی هوشمند با بهره گیری از مدلی مرکب از شبکه عصبی MLP و الگوریتم‌های تکاملی شامل الگوریتم ژنتیک (GA)، الگو أکثر

  توسعه سیستم های معاملاتی سهام با استفاده از الگوریتم های تکاملی (EA) طی چند سال اخیر به موضوعی پرمخاطب در حوزه مالی مبدل ‌شده است. در پژوهش حاضر، سیستم معاملاتی تکنیکی هوشمند با بهره گیری از مدلی مرکب از شبکه عصبی MLP و الگوریتم‌های تکاملی شامل الگوریتم ژنتیک (GA)، الگوریتم بهینه‌سازی مورچگان پیوسته (ACOR) و الگوریتم بهینه‌سازی ازدحام ذرات (PSO) پیشنهادشده است. داده‌های مربوط به 15 شرکت منتخب طی سال‌های 1387 تا 1396 بر اساس دوره‌های کوتاه‌مدت و بلندمدت و همچنین روندهای بازار صعودی، نزولی و خنثی موردبررسی قرار گرفته اند. جهت انتخاب متغیرهای ورودی نهایی، از مقایسه رتبه بازدهی شاخص‌های تکنیکی بر اساس قواعد معاملاتی استفاده‌شده است. درنهایت، آزمون مقایسه زوجی بازدهی مدل‌ها در مقایسه با استراتژی خرید و نگهداری انجام شد و بازدهی مدل ها با یکدیگر مقایسه شده است. نتایج تحقیق نشان می دهد مدل های ترکیبی MLP و الگوریتم های تکاملی عملکرد بهتر و معناداری نسبت به روش خرید و نگهداری و مدل MLP-BP داشته است و مدل MLP_PSO بازدهی بیش تری نسبت به سایر مدل ها کسب کرده است. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  29 - استفاده از روش های داده کاوی در پیش بینی و پاسخ به نیاز در حوزه سرمایه گذاری جسورانه
  فرشید قاصدی قزوینی فرشاد فائزی رازی فرزانه حیدرپور
  امروزه اقتصاد کشورهای توسعه یافته بر محور بنگاه های کوچک و متوسط و صنایع مبتنی بر دانش طراحی شده است. یافته های تجربی محققان حکایت از این دارد که اصولا تامین مالی شرکت های کوچک و متوسط دارای فعالیت های نوآورانه و شرکت های نوپا به منظور شروع یک کسب و کار از ناهمگونی و وی أکثر

  امروزه اقتصاد کشورهای توسعه یافته بر محور بنگاه های کوچک و متوسط و صنایع مبتنی بر دانش طراحی شده است. یافته های تجربی محققان حکایت از این دارد که اصولا تامین مالی شرکت های کوچک و متوسط دارای فعالیت های نوآورانه و شرکت های نوپا به منظور شروع یک کسب و کار از ناهمگونی و ویژگی های خاصی برخوردار است، که به سبب وجود همین ویژگی ها، شرکت های نوپا در تامین مالی فعالیت هایشان با مشکلات اساسی مواجه می شوند، به طوری که به منظور پوشش این خلاء در نظام مالی برای تشویق و تامین مالی فعالیت های نوآورانه، به کارگیری و استمرار فرآیند سرمایه گذاری جسورانه، ضرورت دارد. به علاوه طی این فرآیند، موسسات سرمایه گذاری جسورانه از یکسو در مواجهه با ارکان بازارهای مالی نیاز به انطباق کامل با خط مشی ها، سیاست های وضع شده و قوانین و مقررات حاکم دارند و از سوی دیگر در مواجهه با کارآفرینان و نوآوران، ضمن چگونگی انتخاب و گزینش بهترین طرح های سرمایه گذاری بر اساس شناسایی و ارزیابی ریسک های محتمل و پیش بینی نسبی موفقیت یا شکست آنها با چالش مواجه می شوند. رویکرد و هدف پژوهش حاضر پرداختن به دغدغه اخیر موسسات سرمایه گذاری جسورانه در ارزیابی، انتخاب و سرمایه گذاری در طرح ها، ضمن شناسایی عوامل موثر بر سرمایه گذاری جسورانه و ارزیابی ریسک آنها بمنظور چگونگی ایجاد مصالحه و تعامل بین عوامل موثر ، با استفاده از روشهای تصمیم گیری چند معیاره و ضمن بهره گیری از ابزارهای نوین داده کاوی و هوش مصنوعی می باشد. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  30 - 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
  
  31 - مدل پیشنهادی برای پیش بینی تولید ناخالص داخلی کاربرد مدل هایARIMA شبکه های عصبی و تبدیل موجک
  بیتا شایگانی امیربهداد سلامی رامین خوچیانی
  تولید ناخالص داخلی یکی از عمده ترین و کاربردی ترین شاخص های اقتصادی است؛ لذا پیش بینی آن،همواره توجه کلیه دست اندرکاران اقتصادی و علوم مرتبط را به خود جلب کرده است. هرچند روش های تجزیهو تحلیل سری زمانی و روش های غیرخطی همانند مدل های شبکه عصبی مدتهاست که برای پیش بینی ا أکثر

  تولید ناخالص داخلی یکی از عمده ترین و کاربردی ترین شاخص های اقتصادی است؛ لذا پیش بینی آن،همواره توجه کلیه دست اندرکاران اقتصادی و علوم مرتبط را به خود جلب کرده است. هرچند روش های تجزیهو تحلیل سری زمانی و روش های غیرخطی همانند مدل های شبکه عصبی مدتهاست که برای پیش بینی این گونهمتغیرها به کار می روند، لیکن کاربرد ابزار توانمند موجک در پردازش داده ها و بررسی لایه های پنهان آن نشانمی دهد که سری زمانی تولید ناخالص داخلی از جمله متغیرهایی است که پس از تجزیه در برخی سطوح، رفتاریخطی و در برخی سطوح رفتاری غیرخطی دارد؛ از این رو پیشنهاد شد که ابتدا سری زمانی مذکور به صورتداده های فصلی طی دوره 7631 تا 7631 ، با استفاده از تکنیک موجک به مولفه های مقیاسی متفاوتی تجزیه شده وسپس با کمک مدل ARIMA سری تقریب )روند( و سیکل های با رفتار خطی، و آنگاه با مدل شبکه عصبیسیکل های با رفتار غیرخطی پیش بینی شوند. این مقاله نشان می دهد که نتیجه اعمال این روش پیشنهادی درمقایسه با مدل شبکه عصبی خودتوضیح غیرخطی با لوپ بسته و مدل ARIMA دقیق تر و کارآتر است. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  32 - بررسی و پیش بینی اثرات نرخ بهره واقعی و نرخ ذخیره قانونی بر تورم، بیکاری و تولید حقیقی در ایران
  سعید ایرانمنش
  10.30495/jae.2023.74200.1491
  ااینکه بهترین ابزار سیاست پولی چیست و اثرگذاری‌اش بر بخش‌های مختلف اقتصاد یک کشور چگونه است از مسائل مهم و کاربردی در سطح اقتصاد کلان است. ابزارهای سیاست پولی نظیر نرخ ذخیره قانونی و نرخ بهره از جمله ابزارهای مهم در این حیطه بشمار می آیند. در شرایط رکود تورمی کشور ایران أکثر

  ااینکه بهترین ابزار سیاست پولی چیست و اثرگذاری‌اش بر بخش‌های مختلف اقتصاد یک کشور چگونه است از مسائل مهم و کاربردی در سطح اقتصاد کلان است. ابزارهای سیاست پولی نظیر نرخ ذخیره قانونی و نرخ بهره از جمله ابزارهای مهم در این حیطه بشمار می آیند. در شرایط رکود تورمی کشور ایران، استفاده صحیح و به جا از این ابزارها مسئله بسیار مهمی خواهد بود. این مقاله به دنبال بررسی میزان و نحوه تأثیر نرخ بهره واقعی و نرخ ذخیره قانونی بر متغیرهای تورم، بیکاری و تولید حقیقی است. برای این منظور داده‌های سری زمانی اقتصاد ایران در بازه زمانی 1364-1400 توسط الگوریتم ازدحام ذرات و الگوریتم رقابت استعماری مورد تجزیه‌ و تحلیل قرار گرفته‌اند. علاوه بر این مقادیر نرخ تورم، نرخ بیکاری و تولید حقیقی تا افق زمانی 1414 به‌ وسیله شبکه عصبی پرسپترون چند لایه پیش‌بینی ‌شده است. نتایج حاکی از آن است که افزایش نرخ بهره واقعی موجب کاهش تولید حقیقی، افزایش تورم و افزایش بیکاری می شود. همچنین افزایش نرخ ذخیره قانونی منجر به کاهش تورم و افزایش تولید حقیقی می شود تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  33 - بررسی اثر تولید سبز بر رفتار نرخ ارز حقیقی در اقتصاد ایران و کشور های گروه شانگهای با رهیافت الگوریتم PSO و ARDL و شبکه عصبی پرسپترون چند لایه
  سعید ایرانمنش سید عبدالمجید جلایی
  10.30495/jae.2020.17802
  انتشار کربن دی اکسید ناشی از فعالیت‌های تولیدی همه ساله هزینه‌های بالایی را بر اقتصاد کشورها وارد می‌‌کند، از این‌رو توجه به مبحث تولید سبز و تمرکز بر گسترش تولیدات با حداقل آلایندگی از جمله مباحث مهم در دنیای امروز محسوب می‌‌گردد. طبیعتا تولید بدون آلایندگی می‌تواند بر أکثر

  انتشار کربن دی اکسید ناشی از فعالیت‌های تولیدی همه ساله هزینه‌های بالایی را بر اقتصاد کشورها وارد می‌‌کند، از این‌رو توجه به مبحث تولید سبز و تمرکز بر گسترش تولیدات با حداقل آلایندگی از جمله مباحث مهم در دنیای امروز محسوب می‌‌گردد. طبیعتا تولید بدون آلایندگی می‌تواند بر متغیر‌های کلان اقتصادی از جمله نرخ ارز حقیقی اثرگذار باشد. از آنجا که در حال حاضر پیوستن ایران به گروه شانگهای از مباحث مطرح در سطح بین‌الملل است، در اینجا مطالعه مقایسه‌ای بین ایران و کشور‌های عضو گروه شانگهای پیرامون ارتباط بین تولید سبز با رفتار نرخ ارز حقیقی شده است. در این مقاله با استفاده از شبکه عصبی پرسپترون 10 لایه روند نرخ ارز حقیقی ایران تا سال 2020 پیش‌بینی شد. نتایج حاصل از الگوریتم بهینه‌سازی ازدحام ذرات در فضای نرم‌افزار MATLAB نشان داد که در کشور ایران، یک درصد تغییر در تولید سبز منجر به 32/0 درصد تغییر در نرخ ارز حقیقی می‌‌شود. علاوه بر این نتایج فرم بلندمدت ARDL، نشان داده شده است که در بلند مدت یک درصد تغییر در تولید سبز باعث می‌شود نرخ ارز حقیقی به میزان 58/0 درصد تغییر کند. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  34 - پیش‌بینی روند تغییرات قیمت سهام با به‌کارگیری شاخص‌های تحلیل تکنیکی و استفاده از روش ترکیبی الگوریتم ژنتیک و شبکه عصبی مصنوعی: مطالعه موردی سهام ایران خودرو
  زینب آذریان سید مهدی همایونی
  همواره پیش‌بینی دقیق روند بازار سهام برای تصمیم‌گیری‌های مالی سرمایه‌گذاران مهم بوده است. استفاده از مجموعه‌ای از شاخص‌های تحلیل تکنیکی یکی از پرکاربردترین روش‌های پیش‌بینی‌های مالی است. تعیین پارامترهای مناسب این شاخص‌ها و همچنین ترکیب آن‌ها یکی از چالش‌های پژوهشگران ا أکثر

  همواره پیش‌بینی دقیق روند بازار سهام برای تصمیم‌گیری‌های مالی سرمایه‌گذاران مهم بوده است. استفاده از مجموعه‌ای از شاخص‌های تحلیل تکنیکی یکی از پرکاربردترین روش‌های پیش‌بینی‌های مالی است. تعیین پارامترهای مناسب این شاخص‌ها و همچنین ترکیب آن‌ها یکی از چالش‌های پژوهشگران است. از طرف دیگر، ماهیت غیرخطی و پویای تغییرات در روند بازار سهام موجب استفاده گسترده از روش‌های پیش‌بینی غیرخطی همچون شبکه عصبی مصنوعی شده است. با وجود استفاده گسترده از شاخص‌های تحلیل تکنیکی به عنوان ورودی شبکه‌های عصبی مصنوعی، تاکنون بهینه‌سازی پارامترهای شاخص‌های تحلیل تکنیکی به عنوان ورودی شبکه عصبی مصنوعی پژوهش نشده است. با توجه به روند تغییرات انحصاری سهام یک شرکت نسبت به سایر شرکت‌ها، استفاده از مجموعه پارامترهای پیش‌فرض یا یکسان برای تمام انواع سهام منطقی نیست. در این پژوهش، پارامترهای مجموعه‌ای از شاخص‌های تحلیل تکنیکی برای سهام یک شرکت با استفاده از الگوریتم ژنتیک بهینه شده است و به شبکه عصبی مصنوعی به عنوان ورودی داده ‌می‌شود. از این روش ترکیبی برای پیش‌بینی روند تغییرات قیمت سهام روز بعد استفاده شده است. در این روش، فرض شده است که فرد سرمایه‌‌گذار براساس پیش‌بینی تصمیم می‌گیرد، که روز بعد، سهام را بخرد، بفروشد، یا نگه‌ دارد. برای ارزیابی عملکرد روش ترکیبی ارائه شده، از یک شبکه عصبی مصنوعی با استفاده از شاخص‌های تحلیل تکنیکی با پارامترهای پیش‌فرض نیز جهت پیش‌بینی روند تغییرات قیمت سهام استفاده شده است. این دو روش برای داده‌های واقعی سهام شرکت ایران خودرو اجرا شده که نتایج نشان دهنده برتری روش ترکیبی با 25.1% کاهش در خطای پیش‌بینی نسبت به روش ساده است. طبقه‌بندی JEL:G10 ،G17 ،C45 ، C53، C61 تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  35 - برآورد تقاضای ‌خدمات‌ درمان مطالعه موردی شهرهای شیراز و ارسنجان «روش لوجیت ‌تعمیم یافته و شبکه ‌عصبی ‌مصنوعی»
  مرتضی حسن شاهی
  مقدمه: پزشک تأمین‌کننده سلامت انسان است که به دلایل بیماری، کار، سوانح، آلودگی‌های‌زیست محیطی و گذر عمر، مستهلک شده و باعث افزایش تقاضای‌خدمات درمانی می‌شود؛ عوامل متعددی بر تقاضای‌ خدمات ‌درمانی تأثیر دارند؛ که در این پژوهش سعی بر اندازه‌گیری میزان تأثیر 18 مورد از مهم أکثر

  مقدمه: پزشک تأمین‌کننده سلامت انسان است که به دلایل بیماری، کار، سوانح، آلودگی‌های‌زیست محیطی و گذر عمر، مستهلک شده و باعث افزایش تقاضای‌خدمات درمانی می‌شود؛ عوامل متعددی بر تقاضای‌ خدمات ‌درمانی تأثیر دارند؛ که در این پژوهش سعی بر اندازه‌گیری میزان تأثیر 18 مورد از مهم‌ترین آنها شده است. روش پژوهش: الگوی مورد استفاده، الگوی ‌لوجیت ‌ترتیبی ‌تعمیم یافته و شبکه ‌عصبی ‌مصنوعی است، جامعه آماری نیز شامل کلیه کسانی است که در سال 94 به بیمارستان‌های شیراز و ارسنجان مراجعه کرده‌اند و نمونه شامل 100 نفر بیمار و 100 نفر از همراهان بیمار (افراد سالم) است و داده‌ها از طریق پرسشنامه جمع‌آوری‌ شده است. یافته‌ها: نتایج آزمون‌های اعتبار الگو شامل، نیکویی ‌برازش (شاخص پیرسون و دویانس)، رگرسیون‌های ‌موازی، حداکثر راست‌نمایی و الگوریتم ‌نیوتن-رافسون، حاکی از اعتبار الگو تا 84 درصد اطمینان است. طبق نتایج افزایش یک‌ درصدی در ویزیت، 2/2 % از متقاضیان خدمات‌ درمان را کاهش می‌دهد. ذخیره ‌اولیه ‌سلامت و اعتقادات نیز همان تفسیر حق ‌ویزیت را دارند. افزایش یک‌ درصدی در حق‌ بیمه باعث کاهش 3/11 % و افزایش یک ‌واحدی شاخص ‌سلامت، باعث کاهش 1/3 % و افزایش یک‌ سال در سن فرد باعث افزایش10% و مصرف روزانه یک ‌عدد سیگار، باعث افزایش 0/04% در تقاضای ‌خدمات‌ درمانی می‌شوند. نتیجه‌گیری: طبق نتایج سطح ‌سلامت، سطح ‌پوشش ‌بیمه، تحصیلات و آگاهی انسان از مسیرهای سلامتی و آناتومی ‌بدن، بیشترین و مصرف‌ سیگار و شغل، کمترین تأثیر را بر تقاضای‌ خدمات ‌درمانی دارند و با افزایش سن، تحصیلات، سطح ‌پوشش ‌بیمه، سطح‌آگاهی و درآمد، بار تقاضای ‌خدمات ‌درمان افزایش می‌یابد از طرف دیگر با گذشت ‌زمان، تحصیلات، سطح ‌آگاهی و درآمد سرانه در حال افزایش است، پس تقاضای این خدمات در آینده افزایش خواهد یافت؛ که باید چاره‌ای اندیشیده شود تا عرضه خدمات نیز به همان نسبت افزایش یابد. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  36 - ارائه مدلی جهت ارزیابی پایداری زنجیره تامین صنایع دارویی با استفاده از سیستم استنتاج فازی مبتنی بر شبکه عصبی(ANFIS)
  مهسا اله یاری نازنین پیله وری رضا رادفر
  مقدمه: نظام سلامت به جهت سروکار داشتن با انسان‌ها و سلامتی آنها، یکی از پیچیده‌ترین زنجیره‌های تامین کالا در دنیا را داراست، زنجیره تامین صنعت دارویی بخشی از این نظام است. به همین دلیل هدف این پژوهش بدست آوردن مدلی جهت ارزیابی پایداری زنجیره تامین در این صنعت می‌باشد. أکثر

  مقدمه: نظام سلامت به جهت سروکار داشتن با انسان‌ها و سلامتی آنها، یکی از پیچیده‌ترین زنجیره‌های تامین کالا در دنیا را داراست، زنجیره تامین صنعت دارویی بخشی از این نظام است. به همین دلیل هدف این پژوهش بدست آوردن مدلی جهت ارزیابی پایداری زنجیره تامین در این صنعت می‌باشد. روش پژوهش: ابتدا با مرور مطالعات پیشین، شاخص‌های مربوط به پایداری زنجیره تامین در ابعاد اقتصادی، اجتماعی، زیست محیطی و حکمرانی استخراج گردید و پس از اجرای تکنیک دلفی فازی و اجماع نظر خبرگان مدل مفهومی‌ارائه شد. سپس با استفاده از روش پیمایشی به منظور پیاده‌سازی مدل طراحی شده در ANFIS با کمک پرسشنامه‌ای جهت ارزیابی عوامل پایداری در مطالعه موردی مورد نظر بهره گرفته شد. یافته‌ها: ANFISهای طراحی شده با 50 دوره آموزش به میزان قابل قبول خطا دست یافتند. در بعد اقتصادی و اجتماعی روند تغییرات پایداری ابتدا به صورت کاهشی و سپس افزایشی بود. در بعد زیست محیطی که شاخص‌های منفی در نظر گرفته شده بودند روند کاملا کاهشی است. در بعد حکمرانی روند تغییرات پایداری افزایشی است .در پژوهش حاضر جذر ریشه میانگین خطا (RMSE) به عنوان معیاری جهت اعتبارسنجی مدل، مد نظر قرار گرفته شده است. نتیجه‌گیری: برای بهبود در وضعیت ابتدا باید پایداری ارزیابی و اندازه گیری شود تا پس از اقدامات بهبود بتوان نتایج حاصله را با اندازه‌گیری مشخص کرد. با توجه به یافته ها می‌توان نتیجه گرفت که مدل طراحی شده در ANFIS ابزار مناسبی برای ارزیابی پایداری است. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  37 - 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
  
  38 - 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
  
  39 - عوامل مؤثر بر نسبت توزیع سود سهام و مقایسه دقت پیش‌بینی نسبت پرداخت سود سهام با استفاده از مدل رگرسیونی و شبکه عصبی در فرا بورس ایران
  حمیدرضا چگینی محسن حمیدیان نگار خسروی پور
  پژوهش حاضر به بررسی عوامل تعیین‌کننده نسبت پرداخت سود سهام و مقایسه دقت پیش‌بینی مدل شبکه عصبی و رگرسیونی با استفاده از داده‌های شرکت‌های پذیرفته‌شده در فرابورس ایران می‌پردازد. در این پژوهش رابطه بین نسبت پرداخت سود سهام سال قبل، نسبت دارایی ثابت به‌کل دارایی، نسبت جا أکثر

  پژوهش حاضر به بررسی عوامل تعیین‌کننده نسبت پرداخت سود سهام و مقایسه دقت پیش‌بینی مدل شبکه عصبی و رگرسیونی با استفاده از داده‌های شرکت‌های پذیرفته‌شده در فرابورس ایران می‌پردازد. در این پژوهش رابطه بین نسبت پرداخت سود سهام سال قبل، نسبت دارایی ثابت به‌کل دارایی، نسبت جاری، نسبت دارایی به بدهی، رشد درامد، نسبت کیفیت سود حسابداری و نسبت بازده نقدی دارایی‌ها به‌عنوان متغیر مستقل و نسبت پرداخت سود سهام به‌عنوان متغیر وابسته بررسی‌شده است. برای آزمون فرضیه‌های پژوهش از مدل رگرسیون چندگانه مرتبه دوم با به‌کارگیری نمونه‌ای شامل 50 شرکت عضو فرابورس طی 5 سال که پایان سال مالی آنها از 29 اسفندماه 1389 لغایت 31 شهریورماه 1394 بوده استفاده ‌شده است. نتایج پژوهش نشان داد که بین نسبت پرداخت سود سهام سال قبل، نسبت دارایی ثابت به‌کل دارایی، نسبت جاری، نسبت دارایی به بدهی و نسبت کیفیت سود حسابداری با متغیر وابسته رابطه معناداری وجود ندارد ولی بین رشد درامد و نسبت بازده نقدیدارایی‌ها با نسبت پرداخت سود سهام رابطه مثبت و معنادار وجود دارد همچنین یافته‌های پژوهش حاکی از آن است که خطای پیش‌بینی مدل شبکه عصبی کوچک‌تر از مدل رگرسیون بوده و این مدل پیش‌بینی بهتری را در اختیار قرار می‌دهد. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  40 - 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
  
  41 - تدوین مدل کشف تقلب با استفاده از رویکرد ترکیبی برپایه مدل تحلیل عاملی و روش شبکه عصبی مصنوعی در شرکت های پذیرفته شده در بورس اوراق بهادار تهران
  جابر محمدموسایی بابک جمشیدی نوید مهرداد قنبری فرشید خیراللهی
  هدف اصلی این پژوهش ارائه مدلی برای کشف تقلب با استفاده از رویکرد ترکیبی مدل تحلیل عاملی و روش شبکه عصبی مصنوعی از نوع شبکه عصبی پیش خور با الگوریتم پس انتشار خطا است. شبکه‌ای که برای پیش‌بینی تقلب مالی شرکت‌ها استفاده می‌شود دارای 17 نرون (مجموعه نسبت‌های مالی انتخاب ش أکثر

  هدف اصلی این پژوهش ارائه مدلی برای کشف تقلب با استفاده از رویکرد ترکیبی مدل تحلیل عاملی و روش شبکه عصبی مصنوعی از نوع شبکه عصبی پیش خور با الگوریتم پس انتشار خطا است. شبکه‌ای که برای پیش‌بینی تقلب مالی شرکت‌ها استفاده می‌شود دارای 17 نرون (مجموعه نسبت‌های مالی انتخاب شده) در لایه ورودی و 1 نرون (وضعیت تقلب شرکت‌ها) در لایه خروجی است. تابع تبدیل مورد استفاده در لایه خروجی از نوع خطی و برای لایه میانی یک تابع غیر خطی سیگمویدی انتخاب شده است. جامعه آماری پژوهش، شرکت های پذیرفته شده دربورس اوراق بهادار تهران دربازه زمانی1392-1393 می باشد که 140 شرکت به عنوان نمونه در پژوهش حاضر استفاده شده است . برای دسته بندی شرکت ها با احتمال گزارشگری متقلبانه وغیر متقلبانه از مدل نمرهM بنیش استفاده شده است که 78 شرکت دارای احتمال گزارشگری متقلبانه و62 شرکت دارای احتمال گزارشگری غیرمتقلبانه بوده است. برای انتخاب نهایی متغیر های ورودی درشبکه عصبی مصنوعی ازمدل تحلیل عاملی تائیدی و تحلیل مولفه‌های اصلی استفاده شده است. نتایج نشان داد که ساختار گزارش شده مدل شبکه عصبی که دارای 7 نرون در لایه پنهان است از دقت و عملکرد بالاتری نسبت به سایر ساختار‌های بررسی شده بوده است. نتایج حاکی است که دقت دسته بندی شرکت های متقلب و شرکت های غیرمتقلب وعملکرد کلی در روش شبکه عصبی مصنوعی به ترتیب57.69 %و72.73 % و62.16 % بوده است. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  42 - 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
  
  43 - 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
  
  44 - مقایسه روش‌های مختلف تجربی، ریاضی و هوشمند در ارزیابی کیفیت زیبایی شناختی منظر شهری (مطالعه موردی: شهر گرگان)
  سپیده سعیدی سید حامد میرکریمی مرجان محمد زاده عبدالرسول سلمان ماهینی
  10.30495/jrnr.2022.70051.10269
  در عصر حاضر، افزایش مداخلات انسانی موجب ایجاد آشفتگی در الگوهای منظر و تنزل کیفیت منظر شده است. از این رو شناسایی مناطق باارزش و برنامه ریزی صحیح و طراحی مناسب به منظور حفاظت و ارتقا ارزش های زیبایی شناختی و سرمایه های منظر امری ضروری و اجتناب ناپذیر به نظر می رسد أکثر

  در عصر حاضر، افزایش مداخلات انسانی موجب ایجاد آشفتگی در الگوهای منظر و تنزل کیفیت منظر شده است. از این رو شناسایی مناطق باارزش و برنامه ریزی صحیح و طراحی مناسب به منظور حفاظت و ارتقا ارزش های زیبایی شناختی و سرمایه های منظر امری ضروری و اجتناب ناپذیر به نظر می رسد. هدف از این پژوهش، بررسی عملکرد روش های مختلف تجربی (ارزیابی چندمعیاره به روش ترکیب خطی وزن دار)، ریاضی (رگرسیون لجستیک) و هوشمند (شبکه عصبی) در برآورد تناسب ارزش زیبایی شناختی شهر گرگان می باشد. پس از مطالعه های نظری و تعیین معیارهای تاثیرگذار، نقشه سازی و استانداردسازی معیارها صورت گرفت و در نهایت نقشه تناسب ارزش زیبایی شناختی بر اساس روش های ترکیب خطی وزن دار، شبکه عصبی و رگرسیون لجستیک تهیه شد. به منظور ارزیابی عملکرد روش های مختلف و انتخاب روش بهینه از نقاط کنترل زمینی و روش اعتبارسنجی ROC استفاده شد. نتایج نشان داد در نقشه حاصل از روش ترکیب خطی وزن دار بخش زیادی از داده ها در نتیجه ترکیب خطی لایه ها و وزن دهی از بین رفته است، اما روش شبکه عصبی با عملکرد هوشمندانه و قابلیت ترکیب و تحلیل غیرخطی نسبت به روش ترکیب خطی وزن دار و همچنین انجام تحلیل های رفت و برگشتی در مقایسه با روش رگرسیون لجستیک، ارزش منطقه مورد مطالعه را بهتر تفکیک می کند. با توجه به نتایج حاصل از این پژوهش می توان چنین نتیجه گرفت، زمانی که نسبت به منطقه مورد مطالعه شناخت کمی وجود دارد و امکان انجام بررسی های میدانی برای ثبت نقاط دید باارزش وجود ندارد، انجام روش ترکیب خطی وزن دار می تواند راهگشا باشد. اما در صورتی که امکان بررسی های میدانی برای تهیه نقشه نمونه های تعلیمی واقعی به عنوان متغیر وابسته فراهم باشد، به کمک روش شبکه عصبی و رگرسیون لجستیک می توان به نتایج دقیق تری دست یافت و در این بین روش هوشمند شبکه عصبی قابلیت بالاتری در تفکیک ارزش های سیمای محیط دارد. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  45 - 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
  
  46 - 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
  
  47 - 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
  
  48 - 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
  
  49 - 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
  
  50 - بررسی و تحلیل مدل‌های AHP و شبکه عصبی مصنوعی در پهنه‌بندی خطر زمین‌لغزش دامنه‌های جنوبی البرز (منطقه تجریش تهران)
  محسن رنجبر عسل فلک
  در این تحقیق پس از بررسی‌های میدانی و مرور مطالعات در مناطق مشابه، 9 فاکتور به عنوان عوامل مؤثر بر خطر وقوع زمین‌لغزش منطقه شناسایی و به منظور تحلیل خطر در محیط نرم‌افزار ArcGIS مورد استفاده قرار گرفتند. نقشه زمین‌لغزش‌های موجود نیز از طریق عملیات میدانی و با استفاده از أکثر

  در این تحقیق پس از بررسی‌های میدانی و مرور مطالعات در مناطق مشابه، 9 فاکتور به عنوان عوامل مؤثر بر خطر وقوع زمین‌لغزش منطقه شناسایی و به منظور تحلیل خطر در محیط نرم‌افزار ArcGIS مورد استفاده قرار گرفتند. نقشه زمین‌لغزش‌های موجود نیز از طریق عملیات میدانی و با استفاده از دستگاه GPS تهیه گردید. 9 لایه اطلاعاتی آماده شده در ArcGIS با لایه اطلاعاتی پراکنش زمین‌لغزش‌ها تطابق داده شد و اطلاعات میزان زمین‌لغزش‌ها در هر یک از کلاسه‌ها و مساحت آنها به دست آمد. پس از تعیین نرخ هر یک از عوامل، پهنه‌بندی با استفاده از شبکه عصبی و تحلیل سلسله مراتبی اجرا گردید. کارآیی هر یک از این مدل‌ها براساس نتایج خروجی مدل‌ها و با استفاده از دو شاخص دانسیته نسبی (Qs) و جمع مطلوبیت (Dr) مورد ارزیابی قرار گرفت. نتایج حاصل از شاخص Dr نشان داد که نقشه تهیه شده با استفاده از شبکه عصبی نسبت به نقشه تهیه شده با استفاده از تحلیل سلسله مراتبی دقت بالاتری برای منطقه مورد مطالعه دارد. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  51 - تحلیل رابطه تراز آب دریاچه ارومیه با سیگنال های اقلیمی
  مرتضی بیطاری خالدی ابراهیم فتاحی
  از جمله مشخصه های مهم هر دریاچه، تراز سطح آب آن است. آگاهی از نحوه نوسانات تراز آب امریموثر در تغییر و بررسی مسایل مرتبط از جمله تغییرات ذخیره آب دریاچه ساخت و ساز های ساحلیو مباحث زیست محیطی است. در این تحقیق به بررسی تاثیر سیگنال های هواشناسی بر نوسان آبدریاچه ارومیه أکثر

  از جمله مشخصه های مهم هر دریاچه، تراز سطح آب آن است. آگاهی از نحوه نوسانات تراز آب امریموثر در تغییر و بررسی مسایل مرتبط از جمله تغییرات ذخیره آب دریاچه ساخت و ساز های ساحلیو مباحث زیست محیطی است. در این تحقیق به بررسی تاثیر سیگنال های هواشناسی بر نوسان آبدریاچه ارومیه و دبی حوضه آبریز دریاچه ارومیه پرداخته شده است. داده های مورد استفاده در اینتحقیق به علت حجم زیاد در فواصل زمانی سال های 1951 الی 1986 تا سال های 2008 الی 2011 درایستگاه های مختلف متفاوت است. در بررسی حاضر از داده های ماهانه سیگنال های -2NAO+NIN01-SOI-PDO-NP 4NOI+NIN03-Nino4-Nino3-استفاده شده است. تمامیداده های فوق از مرکزNCEPتهیه گردیده. پس از تبیین ارتباط و نوع آن ، مدل پیش بینی با استفاده از شبکه عصبی مصنوعی برای بازه های زمانه همزمان ، سه ماهه و شش ماهه محاسبه شد. نتایج حاصل ازاین مدل مورد ارزیابی و تجزیه و تحلیل قرار گرفت. بررسی مدل های خروجی از نرم افزار شبکه عصبیمصنوعیNeurosolutions6نشان می دهد که در تمامی ایستگاه ها در حالت های زمانی مختلف اعمدبی حوضه آبریز دریاچه ارومیه به ترتیب 1-NINO 3+4-1 NINO3 NINO1+2-3 NINO4-4می باشد و کمترین تاثیر به ترتیب مربوط به 1-NOI -2 NAO SOI -4 PDO -3 5-NPمی باشد. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  52 - 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
  
  53 - 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
  
  54 - 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
  
  55 - 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
  
  56 - 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
  
  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 - 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
  
  59 - مدل سازی فرآیند برشته شدن اسنک سویا تحت سامانه مادون قرمز با استفاده از شبکه عصبی مصنوعی
  هادی باقری مهدی کاشانی نژاد
  مقدمه: دانه سویا به عنوان یک منبع غنی از ترکیبات مغذی ضروری همچون پروتئین ها، روغن ها و ترکیبات زیست فعال شناخته می شود و دانه سویا این قابلیت را دارد که به عنوان یک اسنک و مغز برشته شده استفاده شود، اما وجود محدودیت های مثل طعم سویا، بافت سخت و طعم لوبیای گس مانند منجر أکثر

  مقدمه: دانه سویا به عنوان یک منبع غنی از ترکیبات مغذی ضروری همچون پروتئین ها، روغن ها و ترکیبات زیست فعال شناخته می شود و دانه سویا این قابلیت را دارد که به عنوان یک اسنک و مغز برشته شده استفاده شود، اما وجود محدودیت های مثل طعم سویا، بافت سخت و طعم لوبیای گس مانند منجر به کاهش مصرف این منبع غنی گشته است، بنابراین برای بهبود و افزایش مصرف دانه سویا، باید این محدودیت ها برطرف گردد. برشته کردن می تواند منجر به ایجاد یک طعم مطلوب بدون هیچ گونه طعم لوبیایی و تلخ شود و به طور معنی داری باعث افزایش طعم، رنگ و بهبود بافت دانه سویا گردد. مواد و روش ها: برای این مطالعه برشته کن مادون قرمز طراحی و ساخته شد و نمونه آماده شده دانه سویا (فرآوری شده) با توجه به شرایط آزمایش برشته شد. در این بررسی، مدل شبکه عصبی مصنوعی برای مدل سازی سینتیک کاهش رطوبت در اسنک سویا در طول برشته کردن با استفاده از سامانه مادون قرمز توسعه داده شد. برای این منظور، توان لامپ مادون قرمز (250، 350 و 450 وات)، فاصله سطح لامپ از نمونه (4، 7 و 10 سانتی متر) و زمان برشته کردن (25 دقیقه) به عنوان ورودی در نظر گرفته شد و مقدار نسبت رطوبت (MR) به عنوان خروجی تخمین زده شد. علاوه بر این سه مدل ریاضی مختلف برای برازش داده ها مورد استفاده قرار گرفت و در نهایت داده های برازش شده این سه مدل ریاضی با داده های برازش شده مدل شبکه عصبی مصنوعی مورد مقایسه قرار گرفت. یافته ها: براساس نتایج حاصل از به کار گیری شبکه عصبی مصنوعی، مدل شبکه عصبی مصنوعی برای داده های نسبت رطوبت با یک لایه مخفی، تابع انتقال سیگموئید، قاعده یادگیری لیونبرگ مارکوآرت و تعداد 4 نرون، با 55 درصد برای زیر گروه آموزشی و 25 و20 درصد به ترتیب برای هر یک از زیر گروه های ارزیابی و آزمایشی بهترین برازش را به همراه داشت. ضریب تبین و ریشه متوسط مربع خطای داده‎ها بدست آمده برای مدل شبکه عصبی مصنوعی به ترتیب 9992/0 و 01099/0 و برای بهترین مدل ریاضی به ترتیب 9776/0 و 02758/0 بود. نتیجه گیری: این استنتاج وجود دارد که مدل شبکه عصبی مصنوعی به مراتب بهتر از مدل های ریاضی می تواند نسبت رطوبت را در اسنک سویا طی فرایندبرشته شدن مورد برازش قرار دهد. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  60 - بهینه‌سازی خواص کیوی پرتودهی‌شده به روش سطح پاسخ و پیش‌بینی با شبکه عصبی و رگرسیون
  حسن کیانی محمد هاشم رحمتی آیت محمدرزداری
  مقدمه: کاربرد پرتوهای یونیزه کننده (گاما، ایکس و الکترون) به عنوان روشی جدید در راستای حفظ و نگهداری محصولات کشاورزی از حدود 35 سال قبل مطرح شد. روش پرتودهی گاما جزء روش های نوین جهت حفظ و نگهداری محصولات کشاورزی است. مواد و روش ها: در این تحقیق کیوی رقم هایوارد (Haywa أکثر

  مقدمه: کاربرد پرتوهای یونیزه کننده (گاما، ایکس و الکترون) به عنوان روشی جدید در راستای حفظ و نگهداری محصولات کشاورزی از حدود 35 سال قبل مطرح شد. روش پرتودهی گاما جزء روش های نوین جهت حفظ و نگهداری محصولات کشاورزی است. مواد و روش ها: در این تحقیق کیوی رقم هایوارد (Hayward) مورد استفاده قرار گرفت. نمونه‌ها با دزهای صفر، 5/0، 1 و 2 کیلوگری و با استفاده از گاماسل با چشمه کبالت 60 پرتودهی شدند. سپس برای مدت زمان های صفر، 30،60 و 90 روزه و شرایط یخچالی با دمای 1±3 درجه سانتی گراد ذخیره شدند. در این پژوهش با کمک روش سطح پاسخ و پارامترهای ورودی (دز پرتودهی و زمان انبارداری) شرایط بهینه جهت انبارداری کیوی پرتودیده با اشعه گاما تعیین شد. در نهایت با استفاده از روش شبکه عصبی و رگرسیون خروجی ها پیش بینی و با روش سطح پاسخ مقایسه شدند. یافته ها: نقطه بهینه برای مدت زمان نگهداری، دز پرتودهی، وزن، پارامتر رنگی L*، a* و b*، آسکوربیک اسید و مقدار pH به ترتیب مقادیر 2 ماه، 1 کیلوگری، 13/48 گرم و 86/45، 3/11 و 79/12، 916/29، 2545/3 پیشنهاد شد. با افزایش مدت زمان نگهداری و دز پرتودهی، وزن نمونه های انبار شده کاهش یافت. با افزایش مدت انبارداری و دز پرتودهی پارامتر a* کاهش یافت. با افزایش دز پرتودهی پارامتر b* نیز کاهش ولی با افزایش مدت زمان انبارداری، L* افزایش یافت. به همین ترتیب با افزایش مدت زمان انبارداری و مقدار دز پرتودهی، مقدار pH افزایش و مقدار آسکوربیک اسید کاهش می یابد. نتیجه گیری: با اجرای شبکه عصبی و آنالیز رگرسیون در پیش بینی تغییرات رنگ، تغییرات وزن، مقدار pH و آسکوربیک اسید، شبکه‌عصبی دارای قابلیت بالاتر در پیش بینی تغییرات پارامترهای رنگی و تغییرات وزن به ترتیب با ضرایب تعیین 9635/0 و 9245/0 بود. در مقابل در مقدار pH و آسکوربیک اسید، آنالیز رگرسیون دارای قابلیت بیشتر با ضرایب تعیین به ترتیب 9355/0 و 8845/0 بود. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  61 - بهینه سازی مصرف انرژی در بخش ساختمان با استفاده از شبکه عصبی و الگوریتم PSO (مطالعه موردی شهرستان بندرعباس)
  فخری اله یاری آزیتا بهبهانی نیا حسین رحامی مریم فراهانی سمیرا خدیوی
  10.30495/jest.2021.53494.5103
  زمینه و هدف: مصرف انرژی در ساختمان ها یک سوم مصرف انرژی سالانه کشور را تشکیل می دهد، بنابراین ارائه راهکارهایی که بتواند مصرف انرژی را در این بخش کاهش دهد، حائز اهمیت است.روش بررسی: با استفاده از پرسشنامه و نظرات کارشناسان، پارامترهای موثر در بهینه سازی انرژی در سازمان أکثر

  زمینه و هدف: مصرف انرژی در ساختمان ها یک سوم مصرف انرژی سالانه کشور را تشکیل می دهد، بنابراین ارائه راهکارهایی که بتواند مصرف انرژی را در این بخش کاهش دهد، حائز اهمیت است.روش بررسی: با استفاده از پرسشنامه و نظرات کارشناسان، پارامترهای موثر در بهینه سازی انرژی در سازمان نظام مهندسی ساختمان بندرعباس شناسایی شد. متغیرهایی مانند جنس مواد دیوار و سقف، مساحت و نوع پنجره ها، ضخامت عایق دیوار و سقف انتخاب شدند. حالت های مختلف با نرم افزار Design Builder بررسی شد. با آموزش دو شبکه عصبی مجزا نحوه اتصال ورودی ها به دو خروجی مهم یعنی میزان انرژی و دی اکسید کربن بدست آمد. و بهینه سازی با استفاده از الگوریتم PSO انجام شد.یافته ها: در مدل به دست آمده دیوار آجری با ضخامت عایق 5 سانتی متر، سقف تیرچه با ضخامت عایق 5 سانتی متر، شیشه سه جداره، نسبت پنجره های شمالی و شرقی به دیوار در یک جهت 70 درصد، نسبت پنجره جنوبی به دیوار جنوبی بین 41 به 43 است. درصد و نسبت پنجره غربی به دیوار غربی بین 65 تا 67 درصد است که در آن میزان انرژی و دی اکسید کربن حداقل است.بحث و نتیجه گیری: اگر انرژی به عنوان تابع هدف انتخاب شود، نتایج به‌دست‌آمده از PSO کاملاً با نتایج بهینه‌سازی برای زمانی که تابع هدف مقدار دی اکسید کربن است، مطابقت دارد. این دو تابع با یکدیگر همسو هستند و بهینه سازی یکی منجر به بهینه سازی دیگری می شود. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  62 - 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
  
  63 - 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
  
  64 - 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
  
  65 - 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
  
  66 - مقایسه رویه های شبکه عصبی مصنوعی، رگرسیون لجستیک و یادگیری برمبنای نمونه وزنی مشابهت در مدل سازی و پیش بینی جنگل زدایی مطالعه موردی: حوزه آبخیز گرگانرود- استان گلستان
  زینب مرادی علیرضا میکاییلی تبریزی
  10.22034/jest.2020.10480
  زمینه و هدف: تغییر در پوشش جنگلی در خدمات اکوسیستمی، تعادل کربن در جو و در نتیجه تغییرات آب و هوا نقش بسیار مهمی ایفا می کند. هدف از این تحقیق مقایسه سه روش شبکه عصبی مصنوعی، رگرسیون لجستیک و یادگیری برمبنای نمونه وزنی مشابهت، جهت پیش بینی روند مکانی تغییرات پوشش جنگل ا أکثر

  زمینه و هدف: تغییر در پوشش جنگلی در خدمات اکوسیستمی، تعادل کربن در جو و در نتیجه تغییرات آب و هوا نقش بسیار مهمی ایفا می کند. هدف از این تحقیق مقایسه سه روش شبکه عصبی مصنوعی، رگرسیون لجستیک و یادگیری برمبنای نمونه وزنی مشابهت، جهت پیش بینی روند مکانی تغییرات پوشش جنگل است. روش بررسی: در این مطالعه از نقشه های کاربری اراضی تولید شده از ماهواره Landsat سنجنده TM مربوط به سال های 1984 و 2012 استفاده شد. مدل سازی پتانسیل انتقال با استفاده از شبکه عصبی مصنوعی، رگرسیون لجستیک و یادگیری برمبنای نمونه وزنی مشابهت و پیش بینی تغییرات برای بهترین مدل با استفاده از زنجیره مارکف انجام شد. به منظور برآورد صحت مدل سازی از آماره های ROC، نسبت موفقیت به هشدار خطا و عدد شایستگی استفاده شد. یافته ها: نتایج بیان گر صحت بالای شبکه عصبی مصنوعی با میزان ROC برابر 975/0 ، نسبت موفقیت به هشدار خطا 63 درصد و عدد شایستگی 12 درصد می باشد. بحث و نتیجه گیری: شبکه های عصبی مصنوعی در مقایسه با رگرسیون لجستیک و یادگیری بر مبنای نمونه وزنی مشابهت از صحت بالاتر و خطای کم تری در مدل سازی و پیش بینی تغییرات جنگل برخوردارند. 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 - تخمین TSS خروجی تصفیه‏خانه فاضلاب اهواز با استفاده از مدل‌های هوشمند
  مجتبی قائدرحمتی هادی معاضد پروانه تیشه زن
  10.22034/jest.2019.37718.4377
  مقدمه: محدودبودن منابع آب شیرین در جهان، به خصوص در مناطق خشک و نیمه خشک مانند ایران، رویکرد استفاده مجدد از پساب های شهری را اجتناب ناپذیر ساخته است. از مهمترین شاخص های بررسی میزان آلودگی فاضلاب و مقایسه با استاندارد های مختلف جهت بازاستفاده یا تخلیه به منابع آبی TSS أکثر

  مقدمه: محدودبودن منابع آب شیرین در جهان، به خصوص در مناطق خشک و نیمه خشک مانند ایران، رویکرد استفاده مجدد از پساب های شهری را اجتناب ناپذیر ساخته است. از مهمترین شاخص های بررسی میزان آلودگی فاضلاب و مقایسه با استاندارد های مختلف جهت بازاستفاده یا تخلیه به منابع آبی TSS می باشد که آزمایشی هزینه بر و زمان بر است. مطالعه حاضر در سال 1395 با هدف تخمین TSS خروجی تصفیه خانه فاضلاب اهواز با استفاده از مدل های هوشمند انجام یافته است. مواد و روش ها: با توجه به زمان بر و هزینه بر یودن آزمون TSS، در این تحقیق، توانمندی سه مدل رگرسیون خطی چندمتغیره، شبکه عصبی مصنوعی و سیستم استنتاج فازی عصبی تطبیقی جهت تخمین TSS فاضلاب خروجی از تصفیه خانه فاضلاب با استفاده از نرم افزار MATLAB و SPSS 21 بررسی شد. براین اساس ترکیبات مختلفی از پارامترهای کیفی فاضلاب، طی دوره آماری 8 ساله (1394-1387) به عنوان ورودی مدل ها در دو حالت روزانه و ماهانه مورد ارزیابی قرار گرفت. نتایج: مدل رگرسیون حداکثر ضریب تعیین(R2) برای مراحل آموزش و صحت سنجی را به ترتیب در دوره روزانه 75/0 و 67/0 و در دوره ماهانه 68/0 و 66/0 به دست آورد؛ ریشه میانگین مربعات خطا(RMSE) در این آزمون 033/0 و 025/0 در دوره روزانه و 053/0 و 053/0 در دوره ماهانه، به دست آمد. حداکثرR2 با شبکه عصبی مصنوعی به ترتیب برای مراحل آموزش و صحت سنجی در دوره روزانه 87/0 و 79/0 و در دوره ماهانه 87/0 و 85/0، و RMSE برابر 030/0 و 023/0 در دوره روزانه و 034/0 و 031/0 در دوره ماهانه، به دست آمد. نتایج بیشترین r2 را برای مدل سیستم استنتاج فازی عصبی تطبیقی نشان دادند که در دوره روزانه 91/0 و 83/0 و در دوره ماهانه 89/0 و 87/0، و مقدار RMSE برابر 026/0 و 025/0 در دوره روزانه و 031/0 و 028/0 در دوره ماهانه، به ترتیب برای مراحل آموزش و صحت سنجی بود. نتیجه گیری: براساس یافته های تحقیق هر سه مدل در تخمین مقدارTSS فاضلاب خروجی کاربرد مناسبی داشتند، اما مدل سیستم استنتاج فازی عصبی تطبیقی به دلیل برازش بهتر و خطای کم تر، مدلی مناسب تر است. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  69 - 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
  
  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 - توسعه و ارتقاء روش های طبقه بندی الگوریتم شبکه عصبی و شاخص پوشش جنگلی (FCD) در داده ماهواره ای با وضوح بالا GEOEYE. (مطالعه موردی: جنگل های هیرکانی رامسر-صفارود)
  امین مهدوی سعیدی ساسان بابایی کفاکی اسداله متاجی
  10.30495/jest.2022.62275.5457
  زمینه و هدف: با عنایت به وضوح مکانی بالای داده های Geoeye، به دلیل توزیع گسترده تر پیکسل ها، نقشه های خروجی در دو روش طبقه بندی الگوریتم شبکه عصبی و شاخص پوشش جنگلی (FCD)، حساس تر و با جزئیات پیکسلی بیشتر همراه هستند. با توجه به حجم زیاد اطلاعات در سنسورهای جدید، هدف ای أکثر

  زمینه و هدف: با عنایت به وضوح مکانی بالای داده های Geoeye، به دلیل توزیع گسترده تر پیکسل ها، نقشه های خروجی در دو روش طبقه بندی الگوریتم شبکه عصبی و شاخص پوشش جنگلی (FCD)، حساس تر و با جزئیات پیکسلی بیشتر همراه هستند. با توجه به حجم زیاد اطلاعات در سنسورهای جدید، هدف این مطالعه توسعه و ارتقاء عملکرد الگوریتم های طبقه بندی پیچیده تر، برای تفسیر داده های ماهواره ای مدرن است. روش بررسی: طبقه بندی مدل پایه FCDبراساس چهار شاخص اصلی، حساس به سایه، خاک بدون پوشش، شرایط و تراکم پوشش گیاهی، و بدون نیاز به نمونه تعلیمی، عمل می نماید. الگوریتم شبکه عصبی با حساسیت بالایی نسبت به باندهای تصویر اصلی و باندهای ایجاد شده و اضافه شده به تصویر و همچنین نمونه آموزشی معرفی شده، عمل می کند. نمونه های تعلیمی، تابستان 1395و 96 در سری 5 و 6 حوزه آبخیز 30 رامسر، بررسی گردیدند. یافته ها: با استفاده از روش یاد شده دقت 5/24٪ برای روش FCD و 2/26٪ برای روش شبکه عصبی بدست آمده است. با توجه به اینکه داده های استفاده شده از وضوح بالایی برخوردارند، نقشه خروجی در این روش توسعه یافته، با تراکم بالای پولی گون ها همراه است. بحث و نتیجه گیری: با توجه به دامنه ظهور پیکسل ها در نقشه های خروجی دو روش یاد شده، روش توسعه یافته ای برای تولید نقشه دقیق تر، با توجه به قدرت تفکیک مکانی زیاد سنجنده Geoeye، ارائه شده است. در این روش با طبقه بندی مجدد در محدوده حداکثر فراوانی پیکسل ها، مرزبندی پولی گون ها در ابعاد بسیار کوچکتر و دقیق تر قابل ملاحظه است. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  72 - پیش بینی میزان غلظت آلاینده های هوای تهران با استفاده از شبکه عصبی مصنوعی
  سیامک بوداقپور امیر چرخستانی
  در این تحقیق شبکه عصبی مصنوعی جهت برآورد و پیش بینی غلظت گازهای آلاینده هوا به کار رفته است.با توجه به خطر آلودگی هوا در شهر تهران و ایجاد مشکلات زیست محیطی و بیماری های خطرناک تنفسی و پوستی به ویژه برای کودکان و سالمندان و نیاز شدید به کنترل آن ، این تحقیق در جهت برنام أکثر

  در این تحقیق شبکه عصبی مصنوعی جهت برآورد و پیش بینی غلظت گازهای آلاینده هوا به کار رفته است.با توجه به خطر آلودگی هوا در شهر تهران و ایجاد مشکلات زیست محیطی و بیماری های خطرناک تنفسی و پوستی به ویژه برای کودکان و سالمندان و نیاز شدید به کنترل آن ، این تحقیق در جهت برنامه ریزی و کنترل این مشکل در تهران و همچنین شهرهای بزرگ دیگر انجام گرفته است. برای این منظور از آمار غلظت گازهای آلاینده هوای ثبت شده توسط حسگر های (سنسور) نصب شده در ایستگاه بازار در سال های 1381 تا 1386 استفاده شده است(گاز NOX). از مدل اتو رگرسیو و سری های زمانی جهت تعیین ورودی های شبکه عصبی استفاده شده و بر اساس این مدل غلظت گاز در زمان جاری به غلظت گازهای 7 روز گذشته وابسته است.بنابراین ورودی های شبکه عصبی غلظت گاز در 7 روز گذشته و خروجی آن که در واقع پیش بینی شبکه عصبی می باشد، غلظت گاز در زمان جاری می باشد.سپس با استفاده از نرم افزار مطلب 7، مدل شبکه عصبی مصنوعی طراحی شده و این پیش بینی انجام گرفته است. همچنین این پیش بینی با استفاده از رگرسیون غیر خطی نیز انجام گرفته و در پایان نتایج مدل ثبت گردیده و خطای جذر میانگین مربعات مدل شبکه عصبی با معادلات رگرسیون مقایسه شده است و مشاهده می شود که خطای مدل شبکه عصبی کمتر از روش رگرسیون است.مدل های ارایه شده توانایی چشم گیری در پیش بینی میزان آلودگی هوای تهران را دارند. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  73 - 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
  
  74 - 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
  
  75 - مدلسازی غلظت تری هالومتان در آب شرب با استفاده از شبکه عصبی مصنوعی
  محمد جواد ذوقی محمد علی جعفری
  در این مطالعه جهت مدل سازی میزان غلظت تری هالومتان در آب شرب، از شبکه عصبی مصنوعی استفاده شده است. پس از آموزش، شبکه عصبی قادر است براساس مشخصات کیفی آب و میزان غلضت کلر در آب شرب، میزان غلظت تری هالومتان را پیش بینی کند. جهت ارزیابی و تشریح مدل، آب تصفیه خانه سنگر واقع أکثر

  در این مطالعه جهت مدل سازی میزان غلظت تری هالومتان در آب شرب، از شبکه عصبی مصنوعی استفاده شده است. پس از آموزش، شبکه عصبی قادر است براساس مشخصات کیفی آب و میزان غلضت کلر در آب شرب، میزان غلظت تری هالومتان را پیش بینی کند. جهت ارزیابی و تشریح مدل، آب تصفیه خانه سنگر واقع در شهرستان رشت به صورت موردی بررسی شده است. از اندازه گیری های انجام یافته بر روی آب شرب تصفیه خانه سنگر، داده های مورد نیاز، جهت آموزش و تست شبکه عصبی اخذ شده است، آب شرب این تصفیه خانه در سال 1386 و در فصول تابستان و زمستان پایش شده است. پارامتر هدف در شبکه عصبی، میزان غلظت تری هالومتان در آب شرب در نظر گرفته شده است. از بین سیزده نوع الگوریتم پس انتشار، الگوریتم بهینه انتخاب و جهت آموزش شبکه عصبی استفاده شد، و سپس ساختمان بهینه شبکه عصبی تعیین گردید. در این مطالعه شبکه عصبی با الگوریتم Marquardt-Levenberg که دارای هشت نرون در لایه پنهان می باشد، به عنوان شبکه عصبی بهینه انتخاب شده است. با توجه به شاخص های آماری به دست آمده (ضریب همبستگی= 997/0 ، ضریب انحراف معیار = 466/6) و داده های ورودی در نظر گرفته شده، برآورد میزان غلظت تری هالومتان در آب شرب توسط شبکه عصبی از کارایی مناسبی برخوردار است. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  76 - مقایسه مدلهای خودهمبسته شبکه عصبی مصنوعی دینامیک و استاتیک در پیش بینی جریان ماهانه ورودی به مخزن سد دز
  محمد ابراهیم بنی حبیب محمد ولی پور سید محمودرضا بهبهانی
  در مقاله حاضر قابلیت مدل خود همبسته شبکه عصبی مصنوعی دینامیک برای پیش بینی جریان ماهانه ورودی مخزن سد دز ارزیابی شده و نتایج به دست آمده با مدل خودهمبسته شبکه عصبی مصنوعی استاتیک مقایسه شده است. در تحقیقات قبل مقایسه مدل‌های استاتیک و دینامیک در شبکه‌های عصبی أکثر

  در مقاله حاضر قابلیت مدل خود همبسته شبکه عصبی مصنوعی دینامیک برای پیش بینی جریان ماهانه ورودی مخزن سد دز ارزیابی شده و نتایج به دست آمده با مدل خودهمبسته شبکه عصبی مصنوعی استاتیک مقایسه شده است. در تحقیقات قبل مقایسه مدل‌های استاتیک و دینامیک در شبکه‌های عصبی مصنوعی صورت نگرفته است. ضمناً تحقیق حاضر از حیث خودهمبستگی مدل شبکه عصبی مصنوعی، دارای نوآوری می‌باشد. در این تحقیق آبدهی های ماهانه بین سال های 1334 تا 1380 استفاده شده است. به طوری که آمار مربوط به 42 سال اول برای آموزش مدل ها و 5 سال اخیر برای پیش بینی مدل ها استفاده گردید. ساختار های مختلف برای مدل های شبکه عصبی مصنوعی استاتیک و دینامیک با مقایسه شاخص جذر متوسط مربع خطا بررسی گردید. در ابتدا با استفاده از داده های مهر 1334 تا شهریور 1376 در مرحله آموزش مدل ها بهترین ساختار مدل های شبکه عصبی مصنوعی استاتیک و دینامیک به دست آمد. سپس بر اساس ساختارهای بهینه، جریان ماهانه ورودی به مخزن سد دز پیش بینی شده و با داده های مشاهده ای مهر 1376 تا شهریور 1381 مقایسه گردید. در این تحقیق همچنین دونوع تابع فعالیت شعاعی و سیگموئیدی و تعداد نرون‌های مختلف در لایه میانی، بررسی شد. نتایج نشان داد که بهترین مدل در پیش بینی جریان ورودی به مخزن سد دز، مدل خود همبسته شبکه عصبی مصنوعی با تابع فعالیت سیگموئیدی و تعداد 17 نرون در لایه میانی می با شد. مدل ‌های خودهمبسته شبکه عصبی مصنوعی استاتیک و دینامیک با تابع فعالیت سیگموئیدی جریان ورودی به مخزن سد دز را از 5 سال قبل پیش بینی می نمایند. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  77 - 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
  
  78 - 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
  
  79 - مقایسه روش های زمین آمار و شبکه عصبی مصنوعی در تخمین سطح آب زیرزمینی(مطالعه موردی: دشت نورآباد، استان لرستان)
  رضا دهقانی عاطفه نورعلیئی
  زمینه و هدف: در بررسی مسایل ژئوهیدرولوژى، تغییرات سطح ایستابى از اهمیت بسیار بالایی برخوردار است. بنابراین تحقیق و پژوهش در تخمین نقاط فاقد اطلاعات ضروری می باشد. روش بررسی: یکی از روش های مهم در برآورد سطح ایستابی آب های زیرزمینی درون یابی است. طى چند دهه اخیر به دلیل أکثر

  زمینه و هدف: در بررسی مسایل ژئوهیدرولوژى، تغییرات سطح ایستابى از اهمیت بسیار بالایی برخوردار است. بنابراین تحقیق و پژوهش در تخمین نقاط فاقد اطلاعات ضروری می باشد. روش بررسی: یکی از روش های مهم در برآورد سطح ایستابی آب های زیرزمینی درون یابی است. طى چند دهه اخیر به دلیل وجود همبستگی مکانی بین مقادیریک متغیر در یک ناحیه مبانى علم زمین آمار به خوبى گسترش یافته و توانایی هاى این شاخه از آمار در بررسى و پیش بینى متغیرهاى مکانى گسترش یافته است. در این پژوهش درون یابی سطح آب زیرزمینی دشت نورآباد واقع در استان لرستان، با استفاده از روش های زمین آمار مورد بررسی قرار گرفته و نتایج آن با روش های مرسوم هوشمند همچون شبکه عصبی مصنوعی مقایسه گردید. معیارهای متوسط قدرمطلق خطا، متوسط خطای اریب، ریشه میانگین مربعات خطا و انحراف استاندارد عمومی برای ارزیابی و عملکرد روش ها مورد استفاده قرار گرفت. یافته ها: نتایج حاصل نشان داد با تحلیل مکانی تغییرات سطح ایستابی آب های زیرزمینی، روش کوکریجینگ ساده با مدل دایره ای توانسته با متوسط قدرمطلق خطای 0001/0، متوسط خطای اریب 0347/0، ریشه میانگین مربعات خطا( m0451/0 و انحراف استاندارد 3/20 نسبت به سایر روش ها در اولویت قرار گرفت. بحث و نتیجه گیری:در مجموع نتایج نشان داد که روش کوکریجینگ توانایی بالایی در درون یابی و تخمین مقادیر کمینه و بیشینه سطح آب های زیرزمینی دارد. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  80 - ارزیابی عملکرد مدل های شبکه عصبی مصنوعی و رگرسیون چندگانه در سنجش کربن آلی محلول در آب
  طاهر احمدزاده ناصر مهردادی مجتبی اردستانی اکبر باغوند
  10.30495/jest.2018.13748
  چکیده زمینه و هدف: اندازه گیری و پایش کربن آلی در محیط های آبی یکی از شاخص های مهم کیفی در پروژه های مدیریت محیط زیست، پایش کیفی منابع آب و تامین آب شرب است. در این تحقیق، عملکرد مدل شبکه عصبی مصنوعی و مدل رگرسیون غیر خطی چندگانه باهدف سنجش پارامتر کربن آلی در منابع آب أکثر

  چکیده زمینه و هدف: اندازه گیری و پایش کربن آلی در محیط های آبی یکی از شاخص های مهم کیفی در پروژه های مدیریت محیط زیست، پایش کیفی منابع آب و تامین آب شرب است. در این تحقیق، عملکرد مدل شبکه عصبی مصنوعی و مدل رگرسیون غیر خطی چندگانه باهدف سنجش پارامتر کربن آلی در منابع آب با حداکثر ضریب همبستگی محتمل و حداقل تعداد پارامترهای ورودی، مورد مطالعه و بهینهسازی قرار گرفت.روش بررسی: به این منظور مدل اولیه شبکه عصبی مصنوعی و رگرسیون غیر خطی چندگانه با کلیه پارامترهای ورودی برای دستیابی بهحداقل پارامترهای مورد نیاز تحت بهینه سازی به روش حذف ترتیبی قرار گرفت.یافته ها: آزمون صحت سنجی مدل بیانگر توافق خوبی میان سنجش کربن آلی محلول و مشاهدات واقعی بوده است. تحلیلنتایج نشان دهنده ی عملکرد قابل قبول مدل شبکه عصبی با درصد خطای متوسط 7 % و ضریب همبستگی 91/0 می باشد.بحث و نتیجه گیری: رفتار سنجی نتایج مدل سازی آشکار نمود که هرچند مدل رگرسیون چندگانه با درصد خطای متوسط 8 % و ضریب همبستگی 89/0 عملکرد نسبتاً ضعیف تری داشته است، اما سرعت اجرای بالا و عملکرد بهتر در شرایط بحرانی نشان از قابلیت بالای این مدل در سنجش کربن آلی در منابع آب با دامنه تغییرات کیفی زیاد دارد. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  81 - 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
  
  82 - 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
  
  83 - 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
  
  84 - طراحی مدلی جهت پیش بینی بازده شاخص بورس (با تاکید بر مدل های ترکیبی شبکه عصبی و مدل های با حافظه بلندمدت)
  رضا نجارزاده مهدی ذوالفقاری صمد غلامی
  این پژوهش به معرفی ‌مدل‌هایی از ترکیب خانواده GARCH و شبکه عصبی مصنوعی، جهت پیش‌بینی بازدهی روزانه شاخص بورس اوراق بهادار تهران طی فاصله زمانی 1396-1387 می‌پردازد. وجود ویژگی ‌حافظه ‌بلندمدت‌ در واریانس ‌شرطی بازدهی شاخص کل بورس موجب شده تا ‌علاوه‌ ‌بر ‌مدل‌های ‌دارای ‌ أکثر

  این پژوهش به معرفی ‌مدل‌هایی از ترکیب خانواده GARCH و شبکه عصبی مصنوعی، جهت پیش‌بینی بازدهی روزانه شاخص بورس اوراق بهادار تهران طی فاصله زمانی 1396-1387 می‌پردازد. وجود ویژگی ‌حافظه ‌بلندمدت‌ در واریانس ‌شرطی بازدهی شاخص کل بورس موجب شده تا ‌علاوه‌ ‌بر ‌مدل‌های ‌دارای ‌حافظه ‌کوتاه‌مدت GARCH و EGARCH در این ‌پژوهش از مدل‌های FIGARCH و FIEGARCH که دارای ویژگی حافظه بلندمدت هستند؛ استفاده ‌گردد. علاوه بر بکارگیری مدل‌های حافظه کوتاه‌مدت، با توجه به کارایی بهتر مدل‌های ترکیبی (در مقایسه با مدل‌های فردی) در پیش‌بینی داده‌های مالی، در این مطالعه، تمامی مدل‌های خانواده GARCH (اعم از کوتاه‌مدت و بلندمدت) با شبکه عصبی مصنوعی ترکیب و با استفاده از مدل‌های ترکیبی حاصل‌شده، بازده شاخص بورس برای 10 روز آینده به‌صورت گام‌به‌گام پیش‌بینی و دقت آن براساس معیارهای ارزیابی مورد بررسی قرار گرفت. یافته‌های تحقیق نشان داد که مدل‌ ترکیبی FIEGARCH- شبکه عصبی با توزیع تی- استیودنت در پیش‌بینی بازده شاخص کل سهام کارآمدتر و دارای خطای پیش‌بینی ‌کمتری نسبت به سایر مدل‌های رقیب است. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  85 - طراحی مدل هوشمند پیش بینی توانگری مالی در شرکتهای بیمه (رویکرد داده‏ کاوی)
  فاطمه شاه بازاده ابراهیم عباسی حسین دیده خانی علی خوزین
  هدف از این پژوهش ارائه یک مدل هوشمند جهت پیش‌بینی توانگری مالی در شرکتهای بیمه،به عنوان یک سیستم پشتیبان تصمیم می‌باشد.بدین منظور با بررسی پیشینه تعداد 17متغیر به عنوان متغیر پیش بین جهت پیش بینی طبقه توانگری مالی از منابع معتبر سایت بیمه مرکزی ج.ا.ا ، طی سال 1390 تا 13 أکثر

  هدف از این پژوهش ارائه یک مدل هوشمند جهت پیش‌بینی توانگری مالی در شرکتهای بیمه،به عنوان یک سیستم پشتیبان تصمیم می‌باشد.بدین منظور با بررسی پیشینه تعداد 17متغیر به عنوان متغیر پیش بین جهت پیش بینی طبقه توانگری مالی از منابع معتبر سایت بیمه مرکزی ج.ا.ا ، طی سال 1390 تا 1395 استخراج ‌شده است. در این پژوهش ابتدا نتایج حاصل از به‌کارگیری مدل های مختلف پیش‌بینی مبتنی بر داده‌کاوی مورد مقایسه قرار گرفته و در مرحله بعد رتبه‌بندی الگوریتم‌های پیش‌بینی شونده مورد بررسی قرار گرفت. نتایج حاصل از این پژوهش نشان داد که توانگری مالی با دقت قابل قبول پیش‌بینی پذیرند و مدل استخراج شده بااستفاده از درخت تصمیم دقت و قابلیت بسیار بالایی در تخمین را داراست. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  86 - 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
  
  87 - 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
  
  88 - 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
  
  89 - مدیریت ریسک اعتباری در نظام بانکی- رویکرد تحلیل پوششی داده ها و رگرسیون لجستیک و شبکه عصبی
  مرضیه ابراهیمی عبداله دریابر
  این مقاله با هدف شناسایی عوامل موثر بر ریسک اعتباری و ارائه مدلی جهت پیش بینی ریسک اعتباری و رتبه بندی اعتباری مشتریان حقوقی متقاضی تسهیلات یک بانک تجاری، با استفاده از روش تحلیل پوششی داده‌ها و رگرسیون لجستیک و شبکه عصبی و مقایسه این سه مدل انجام گرفته است. بدین منظور أکثر

  این مقاله با هدف شناسایی عوامل موثر بر ریسک اعتباری و ارائه مدلی جهت پیش بینی ریسک اعتباری و رتبه بندی اعتباری مشتریان حقوقی متقاضی تسهیلات یک بانک تجاری، با استفاده از روش تحلیل پوششی داده‌ها و رگرسیون لجستیک و شبکه عصبی و مقایسه این سه مدل انجام گرفته است. بدین منظور بررسی های لازم بر روی اطلاعات مالی و غیر مالی با استفاده از یک نمونه 146 تایی تصادفی ساده از مشتریان حقوقی متقاضی تسهیلات، صورت گرفت. در این پژوهش، 27 متغیرتوضیح دهنده شامل متغیرهای مالی و غیر مالی مورد بررسی قرار گرفت که از بین متغیرهای موجود نهایتاً با استفاده از تکنیک تجزیه و تحلیل عاملی و قضاوت خبرگان (روش دلفی)، 8 متغیر تاثیرگذار بر ریسک اعتباری انتخاب گردید که وارد مدل تحلیل پوششی داده ها شده و امتیازات کارایی شرکت‌های حقوقی با استفاده از آنها بدست آمد. همچنین متغیر های انتخابی به عنوان بردار ورودی شبکه عصبی پرسپترون 3 لایه وارد مدل شد و در نهایت با استفاده از رگرسیون لجستیک نیز اطلاعات مربوطه پردازش گردید. نتایج حاصل از مدل تحلیل پوششی داده ها و شبکه عصبی و رگرسیون لجستیک در برآورد ریسک اعتباری و رتبه بندی اعتباری در مقایسه با نتایج واقعی حاکی از آنست که مدل شبکه عصبی در پیش بینی ریسک اعتباری مشتریان حقوقی و رتبه بندی اعتباری از کارایی بیشتری برخوردار است. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  90 - 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
  
  91 - ارائه مدل معاملاتی با تکرار بالا در بورس اوراق بهادار تهران
  محسن دستپاک محمد‌علی رستگار
  در بازارهای نو ظهور همچون بازار بورس اوراق بهادار تهران، به دلیل فاصله ای که بین سیگنال تغییر قیمت و خود تغییر قیمت وجود دارد می توان از آنها برای معاملات سود ده به کمک سیستم های معاملات الگوریتمی بهره گرفت. ارائه ی یک سیستم معاملاتی با تکرار بالا دارای مزیت هایی می باش أکثر

  در بازارهای نو ظهور همچون بازار بورس اوراق بهادار تهران، به دلیل فاصله ای که بین سیگنال تغییر قیمت و خود تغییر قیمت وجود دارد می توان از آنها برای معاملات سود ده به کمک سیستم های معاملات الگوریتمی بهره گرفت. ارائه ی یک سیستم معاملاتی با تکرار بالا دارای مزیت هایی می باشد. استفاده از نواسانات درون روزی مهم ترین مزیتی است که فرصت سودآوری جدید را موجب می شود. در این پژوهش رویکرد استفاده از معامله گران داخلی به منظور پیش بینی روند آتی سهم ارائه می گردد. بر اساس رویکرد معامله گران داخلی، به ازای هر سهم، یک معامله گر داخلی (یک عامل) که متخصص آن سهم می باشد، بر اساس داده های درون روزی و با کمک اطلاعات اندیکاتورهای تحلیل تکنیکال به پیش بینی روند سهم می پردازد و هدف آن تعیین میزان خریدنی، فروختی و یا نگهداشتنی بودن آن سهم می باشد. نتایج مدل ارائه شده بر روی بورس اوراق بهادار تهران نشان از عملکرد بهتر این مدل نسبت به سازوکار خرید و نگهداری در هر سه نوع بازار (صعودی، نزولی و نرمال) حتی با در نظر گرفتن هزینه کامل معاملاتی دارد. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  92 - بررسی توانایی نظرات کاربران شبکه های اجتماعی بر پیش بینی جهت و قیمت سهام در بورس اوراق بهادار تهران
  رضا راعی سید فرهنگ حسینی مائده کیانی هرچگانی
  با توجه به نقش روزافزون شبکه های اجتماعی در بازار سرمایه، بررسی توانایی و اثربخشی آن در جهت و قیمت سهام می تواند برای سرمایه گذاران مفید باشد. جایگاه اصلی این تحقیق در بررسی حرکت توده وار بر اساس پیشنهادهای خرید و فروش در شبکه اجتماعی با استفاده از شبکه عصبی می باشد. ای أکثر

  با توجه به نقش روزافزون شبکه های اجتماعی در بازار سرمایه، بررسی توانایی و اثربخشی آن در جهت و قیمت سهام می تواند برای سرمایه گذاران مفید باشد. جایگاه اصلی این تحقیق در بررسی حرکت توده وار بر اساس پیشنهادهای خرید و فروش در شبکه اجتماعی با استفاده از شبکه عصبی می باشد. این تحقیق دردوره زمانی ابتدای تیرماه 1392 تاانتهای خردادماه 1393 (یکسال) می باشد و با توجه به شرایط بازار سرمایه دو دوره رکود و رونق بررسی شده است. به منظور دسترسی به داده های کافی و همچنین تواتر معاملات ، نمونه انتخابی ده شرکت از 50 شرکت فعال بورس و همچنین ده نمادی که بیشترین تعداد پست و نظر را در شبکه اجتماعی داشته اند انتخاب گردیده اند. این تحقیق دردوبخش پیش بینی جهت و قیمت سهام با داده های قیمت در مقایسه با ترکیب داده های قیمت و پیشنهادهای خرید و فروش شبکه های اجتماعی است. برای پیش بینی از شبکه عصبی مصنوعی پیش خور و بهینه سازی شبکه با 3 تا 10 وقفه و یک لایه پنهان تا 20 نرون استفاده شده است. نتایج نشان داده است که در پیش بینی قیمت سهام در دو روش تفاوت معنی داری وجود ندارد اما در پیش بینی جهت قیمت سهام با استفاده از قیمت سهام و پیشنهادهای خرید و فروش (ترکیب داده های قیمت و شبکه اجتماعی) نسبت به پیش بینی فقط با قیمت سهام در دوره رونق برای شرکت های پربیننده و در دوره رکود برای 10سهم فعال تفاوت معنی داری وجوددارد. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  93 - ارائه رویکردی جدید برای مدیریت فعال پرتفوی وانجام معاملات هوشمند سهام با تاکید بر نگرش انتخاب ویژگی
  رضا تهرانی محمد هندیجانی زاده عیسی نوروزیان لکوان
  دراین تحقیق سعی گردیده است تا در جهت اجرای نگرش مدیریت فعال پرتفوی، روشی برای انجام معاملات هوشمند براساس قیمت پیش بینی شده سهام در یک بازه زمانی چهار ساله مشخص ارائه گردد. ابتدا با استفاده از روش مارکویتز وزن های هریک از شش سهم پرتفوی شش سهمی ساخته شده در هریک از سال ه أکثر

  دراین تحقیق سعی گردیده است تا در جهت اجرای نگرش مدیریت فعال پرتفوی، روشی برای انجام معاملات هوشمند براساس قیمت پیش بینی شده سهام در یک بازه زمانی چهار ساله مشخص ارائه گردد. ابتدا با استفاده از روش مارکویتز وزن های هریک از شش سهم پرتفوی شش سهمی ساخته شده در هریک از سال های بازه زمانی چهار ساله را بدست می آوریم. سپس با استفاده از بیست ودو نماگر تکنیکی (ویژگی های هر سهم) که به عنوان ورودی های الگوریتم ژنتیک به عنوان یک روش انتخاب ویژگی در نظر گرفته شده است،استفاده کرده و با استفاده از دو روش پیش بینی مجاورت نزدیکترین همسایه و شبکه عصبی اقدام به پیش بینی قیمت هر سهم می نماییم. با توجه به قیمت پیش بینی شده برای هرسهم مطابق با روش های پیش بینی شبکه عصبی مبتنی بر الگوریتم ژنتیک و روش مجاورت در نزدیکترین همسایه بر پایه الگوریتم ژنتیک و استراتژی معاملاتی تعریف شده، معاملات هوشمند سهام صورت می پذیرد. استراتژی معاملاتی تعریف شده بر اساس قیمت های پیش بینی شده دارای سیگنال های خروجی (1و0و1-) بوده که به معنای خرید سهم، فروش سهم و یا انجام هیچ گونه عملی تفسیر می گردند. بازده حاصل از پرتفوهای روش های شبکه عصبی مبتنی بر الگوریتم ژنتیک و روش مجاورت در نزدیکترین همسایه بر پایه الگوریتم ژنتیک و پرتفوی خرید و نگه داری به عنوان نماینده رویکرد مدریت غیر فعال پرتفوی در هر یک از چهار سال محاسبه گردید. پرتفوی حاصل از روش شبکه عصبی مبتنی بر الگوریتم ژنتیک دارای بالاترین بازده در دوره چهار ساله را دارا بوده که این خود نشان از برتری رویکرد مدیریت فعال پرتفوی نسبت به رویکرد مدیریت غیر فعال پرتفوی می باشد. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  94 - شبکه های عصبی شعاعی آموزش یافته بر پایه متغیرهای مدل‌های آماری و مقایسه آن‌ها در پیش بینی ورشکستگی
  علیرضا مهرآذین احمد زنده دل محمد تقی پور امید فروتن
  امروزه شبکه های عصبی مصنوعی جایگاه ویژه ای در حیطه مالی پیدا کرده است. پژوهش حاضر به دنبال یافتن روش بهتر برای ساخت و آموزش شبکه های عصبی مصنوعی است که منجر به پیش بینی دقیق‌تر در موضوع ورشکستگی شود. در این میان سه شبکه عصبی از نوع توابع شعاع مدار ساخته شد که به صورت جد أکثر

  امروزه شبکه های عصبی مصنوعی جایگاه ویژه ای در حیطه مالی پیدا کرده است. پژوهش حاضر به دنبال یافتن روش بهتر برای ساخت و آموزش شبکه های عصبی مصنوعی است که منجر به پیش بینی دقیق‌تر در موضوع ورشکستگی شود. در این میان سه شبکه عصبی از نوع توابع شعاع مدار ساخته شد که به صورت جداگانه توسط متغیرهای مدل آلتمن (1983)، اسمایوسکی (1984) و ترکیبی آموزش داده شدند. پس از سنجش توانایی سه مدل در پیش بینی ورشکستگی با استفاده از آزمون دقیق فیشر و مک نمار، دقت آن‌ها مورد مقایسه قرار گرفته است. نمونه مورد آزمون شامل شرکت‌های عضو بورس اوراق بهادار تهران در بین سال‌های 1383 تا 1390 می‌باشد. یافته‌ها نشان می‌دهند که هر سه مدل توانایی پیش بینی ورشکستگی را دارند و از بین آن‌ها مدل آموزش یافته با متغیرهای مدل آلتمن دقیق‌تر از دو مدل دیگر قادر به انجام این امر است. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  95 - 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
  
  96 - تخمین ارزش خالص فعلی پروژه‌های صنعتی- معدنی با استفاده از شبکه عصبی رگرسیون عمومی
  حسین بدیعی مهیار یوسفی طالب پرگر
  در بررسی اقتصادی پروژه های صنعتی و معدنی و تخمین ارزش خااص فعلی سرمایه گذاری، بسیاری از پارامترها مربوط به آینده و غیر قطعی می باشند بنابراین بررسی این پروژه ها و تخمین رفتار پارامترهای غیر قطعی بر مبنای پیش بینی استوار هستند. در این حالت به منظور حصول نتایج واقعبینانه أکثر

  در بررسی اقتصادی پروژه های صنعتی و معدنی و تخمین ارزش خااص فعلی سرمایه گذاری، بسیاری از پارامترها مربوط به آینده و غیر قطعی می باشند بنابراین بررسی این پروژه ها و تخمین رفتار پارامترهای غیر قطعی بر مبنای پیش بینی استوار هستند. در این حالت به منظور حصول نتایج واقعبینانه تر، عموماً از تکنیک های بررسی تحت شرایط ریسک در پیش بینی دقیق تر پارامترهای آینده استفاده می شود. در این خصوص روش های مختلفی وجود دارد که یکی از آن ها استفاده از مدل های شبیه سازی می باشد. در این مدل ها رفتار فاکتورهای متغیر به طور قطعی شناخته شده نیست و این عدم قطعیت نه به صورت یک عدد ثابت، بلکه به صورت یک متغیر تصادفی در نظر گرفته شده و رفتار این متغیر یا متغیرهای تصادفی از طریق برآورد یک تابع توزیع احتمالی و شبیه سازی آن تحلیل می شود. مقاله حاضر با هدف بررسی فنی و اقتصادی واحد صنعتی-معدنی طلای کوه زر تربت حیدریه در حالت ریسک برای یک دوره 7ساله، به تشریح کاربرد روش شبیه سازی در تحلیل سیستم های اقتصادی معدنی پرداخته و همچنین از روش هوش مصنوعی رگرسیون عمومی برای تخمین ارزش خاص فعلی سرمایه گذاری واحد فوق استفاده نموده است. بنابراین پس از انجام محاسبات و تشکیل جدول جریان نقدینگی، از اطلاعات به دست آمده از سال های گذشته و حال، به عنوان مبنایی برای تخمین رفتار آینده پارامترهای تاثیر گذار و دارای عدم قطعیت استفاده شده و میزان تغییرات سال های آتی برای هر یک از این متغیرها به صورت یک تابع توزیع احتمالی پیش بینی گردیده است. سپس با جاگذاری توابع توزیع متغیرهای غیرقطعی در سلول های جدول جریان نقدینگی، نمونه برداری تصادفی صورت گرفت و در نهایت با استفاده از تکنیک شبیه سازی، رفتار آینده سیستم و دامنه تغییرات ارزش خالص فعلی تحت شرایط ریسک مورد پیش بینی و تحلیل قرار گرفت. سپس با استفاده نتایج حاصل از شبیه سازی، یک شبکه عصبی رگرسیون عمومی برای پیش بینی و تخمین ارزش خالص فعلی در شرایط وجود متغیرهای غیر قطعی، مانند تولید سالیانه و هزینه تولید، طراحی و اجرا گردید و نتایج نشان داد که شبکه طراحی شده با قابلییت اطمینان خوبی می تواند ارزش خالص فعلی را پیش بینی نماید. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  97 - 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
  
  98 - 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
  
  99 - پیش بینی یک روزه قیمت سهام با استفاده از مدل ترکیبی
  وحید وفائی قائینی علی‌محمد کیمیاگری
  پیش‌بینی بازارهای مالی یکی از سرفصل‌های مهم در حوزه مالی و مطالعات پژوهشی است. اهمیت پیش‌بینی از یک سو و پیچیدگی آن از سوی دیگر باعث شده است که تحقیقات زیادی در این زمینه انجام شود. در این پژوهش از یک روش ترکیبی شامل تبدیل موجک، مدل ARMA-EGARCH و شبکه عصبی مصنوعی برای پ أکثر

  پیش‌بینی بازارهای مالی یکی از سرفصل‌های مهم در حوزه مالی و مطالعات پژوهشی است. اهمیت پیش‌بینی از یک سو و پیچیدگی آن از سوی دیگر باعث شده است که تحقیقات زیادی در این زمینه انجام شود. در این پژوهش از یک روش ترکیبی شامل تبدیل موجک، مدل ARMA-EGARCH و شبکه عصبی مصنوعی برای پیش بینی یک دوره ای قیمت سهام در بازارهای ایران و آمریکا استفاده شده است. ابتدا به کمک تبدیل موجک سری زمانی را به چند سری جزئی و یک سری تقریبی تجزیه شده و سپس مدل ARMA-EGARCH برای پیش بینی سری های جزئی و شبکه عصبی مصنوعی برای پیش بینی سری تقریبی بکار گرفته می شوند. در این مدل علاوه بر سری تقریبی، برخی از شاخص های تکنیکال نیز برای بهبود شبکه عصبی به آن داده می شوند. ارزیابی مدل پیشنهادی برای پیش بینی قیمت در بازار ایران و آمریکا با مدل های شبکه عصبی مصنوعی، ARIMA-EGARCH و ARIMA-ANN نشان داد که مدل پیشنهادی عملکرد بهتری نسبت به سایر مدل ها برای پیش بینی قیمت سهام در بازار ایران و آمریکا دارد. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  100 - 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
  
  101 - Improved Neural Network and the Pontryagin's minimum Principle for Solve Fuzzy Optimal Control ‎Problems‎
  S. Askari S. Abbasbandy
  In this paper, a novel and practical approach are proposed to solve the fuzzy optimal control (FOC) using an improved multi-layer perceptron (IMLP) network along with the Pontryagin minimum principle (PMP). Here, it is worthwhile to mention that in the fuzzy Hamilton fu أکثر

  In this paper, a novel and practical approach are proposed to solve the fuzzy optimal control (FOC) using an improved multi-layer perceptron (IMLP) network along with the Pontryagin minimum principle (PMP). Here, it is worthwhile to mention that in the fuzzy Hamilton function, instead of functions of control and trajectory and the Lagrange multipliers, the approximate solutions are replaced based on the IMLP neural network, which is a Three-layer type. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  102 - 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
  
  103 - ارزیابی کارآمدترین الگوریتم طبقه‌بندی نظارت‌شده در پایش تغییرات رشد شهر تهران
  آیدا اشجعی سید مسعود منوری جلیل ایمانی هرسینی مریم رباطی زهرا عزیزی
  زمینه و هدف: گسترش افقی شهر پدیده ای پویا و پیچیده بوده و مؤثرترین عامل تغییر کاربری- پوشش اراضی همگام با رشد جمعیت و اقتصاد است و تغییرات ناشی از آن، بر پوشش گیاهی و عملکرد اکوسیستم های شهری تأثیر می گذارد. در این پژوهش شناسایی مناسب ترین الگوریتم طبقه بندی برای بررسی أکثر

  زمینه و هدف: گسترش افقی شهر پدیده ای پویا و پیچیده بوده و مؤثرترین عامل تغییر کاربری- پوشش اراضی همگام با رشد جمعیت و اقتصاد است و تغییرات ناشی از آن، بر پوشش گیاهی و عملکرد اکوسیستم های شهری تأثیر می گذارد. در این پژوهش شناسایی مناسب ترین الگوریتم طبقه بندی برای بررسی اثر رشد افقی شرق شهر تهران در بازه ی زمانی ۱۳۶۵ تا ۱۳۹۵ بر تغییرات کاربری- پوشش اراضی مجموعه حفاظتی جاجرود مورد مطالعه قرار گرفته است. روش بررسی: در این پژوهش تهیه نقشه تغییرات پوشش- کاربری اراضی با استفاده از روش طبقه بندی نظارت شده و مقایسه ی سه الگوریتم شبکه عصبی، حداقل فاصله و حداکثر شباهت در محیط نرم افزارENVI 5.3.1 انجام شد. یافته ها: تغییرات کاربری- پوشش اراضی سال های ۱۳۶۵ تا ۱۳۹۵ (بازه زمانی ۳۰ سال) بیانگر افزایش مساحت کاربری- پوشش اراضی شامل مرتع متراکم ۴۵/۵۸%، اراضی بایر۱۹/۹۱%، شهر ۵۷/۶۵%، جنگل ۴۷/۷۴% در سال ۱۳۹۵ نسبت به سال ۱۳۶۵ است. بحث و نتیجه گیری: با مقایسه و بررسی سه الگوریتم طبقه بندی نظارت شده شامل شبکه عصبی، حداقل فاصله، حداکثر شباهت، روش شبکه عصبی مناسبترین الگوریتم به منظور شناسایی تغییرات کاربری- پوشش اراضی بوده است. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  104 - ارزیابی کارایی شبکه عصبی مصنوعی در پیش‌بینی میزان هدایت الکتریکی رودخانه زرینه رود
  علی خوشنظر تورج نصرآبادی پویان عباسی مائده
  جهت بررسی کیفیت آب رودخانه زرینه رود تعداد 16 ایستگاه نمونه گیری انتخاب گردیده و بر روی نمونه ها آزمایشات مربــوط به پارامتر های درجه حرارت، قلیاییت، pH ، هدایت الکتریکی، اکسیژن محلول و آنیون ها و کاتیون های اصلی انجام پذیرفت. با مشخص شدن نتایج آزمایشات فیزیکی و شیمیایی أکثر

  جهت بررسی کیفیت آب رودخانه زرینه رود تعداد 16 ایستگاه نمونه گیری انتخاب گردیده و بر روی نمونه ها آزمایشات مربــوط به پارامتر های درجه حرارت، قلیاییت، pH ، هدایت الکتریکی، اکسیژن محلول و آنیون ها و کاتیون های اصلی انجام پذیرفت. با مشخص شدن نتایج آزمایشات فیزیکی و شیمیایی و ایجاد ارتباط همبستگی به روش پیرسون، پارامتر های وابسته به پارامتر هدایت الکتریکی با در نظر گرفتن حداقل قیمت آزمایشات به عنوان پارامتر ورودی مدل های شبکه عصبی انتخاب گردیده و در مدل های مختلف از تعداد آن ها کاسته شده است. در نهایت مدل پیشنهادی شماره 5 با تابع محرک تانژانت و قانون آموزش لورنبرگ مارکوات با حداقل خطای پیش بینی مورد پذیرش می باشد. بیشینه ی ضریب تعیین برابر 98/0 و کمینه ریشه ی میانگین مربعات خطا 33/168 می باشد، همچنین مقدار خطای نرمال میانگین مربعات خطا 24/0 خواهد بود. همچنین در بررسی تاثیرگذاری پارامترهای شبکه عصبی مشخص می شود که پارامتر pH دارای تاثیر گذاری بالای 60% بر مدل شبکه عصبی خواهد بود. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  105 - مدل‌سازی پارامترهای کیفی EC، SAR و TDS در آب زیرزمینی با استفاده از شبکه عصبی مصنوعی (مطالعه موردی: دشت مهران و دهلران)
  مهرداد میرسنجری فاطمه محمدیاری رضا بصیری فاطمه حمیدی پور
  با توجه به اهمیت آب های زیرزمینی در بخش شرب و کشاورزی، شبیه سازی و پیش بینی تغییرات کیفی آن از نیازهای روزافزون بشر محسوب می گردد. در این تحقیق کار مدل سازی پارامترهای کیفی TDS و EC بر اساس سایر مؤلفه های شیمیایی یعنی آنیون ها و کاتیون های اصلی، SAR و pH انجام شده است. أکثر

  با توجه به اهمیت آب های زیرزمینی در بخش شرب و کشاورزی، شبیه سازی و پیش بینی تغییرات کیفی آن از نیازهای روزافزون بشر محسوب می گردد. در این تحقیق کار مدل سازی پارامترهای کیفی TDS و EC بر اساس سایر مؤلفه های شیمیایی یعنی آنیون ها و کاتیون های اصلی، SAR و pH انجام شده است. همچنین جهت مدل سازی نسبت جذب سدیم به عنوان متغیر وابسته، فراسنج های طول و عرض جغرافیایی، هدایت الکتریکی، میزان کل عناصر محلول و مقادیر pH به عنوان متغیر مستقل به کار گرفته شدند. در این مطالعه شبکه عصبی با الگوریتمMarquardt Levenberg- برای پیش بینی پارامترهای کیفی آب زیرزمینی انتخاب گردید. نتایج نشان داد روش شبکه عصبی کارایی بالایی در پیش بینی مقادیر پارامترهای کیفی آب زیرزمینی دارد. مقدار بالای ضریب همبستگی به دست آمده بین پارامترهای مدل سازی شده بیان گر نزدیک بودن مقادیر پیش بینی گردیده با داده های اندازه گیری شده و توانایی و دقت بالای روابط بین متغیرهای ورودی با خروجی است. ضریب تبیین هر سه عنصر مدل سازی شده نیز در سه مرحله آموزش، اعتبارسنجی و تست بالای 90 درصد می باشد که نشان دهنده ی دقت قابل قبول شبکه عصبی مصنوعی و یادگیری خوب و کارآمد شبکه با استفاده از الگوریتم آموزشی مورد نظر و داده های ارایه شده به شبکه است. نتایج این مطالعه از اهمیت زیادی در جهت برنامه ریزی و مدیریت یکپارچه کیفیت منابع آب و حفاظت و بهره وری مناسب از آن در منطقه مطالعاتی برخوردار می باشد تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  106 - پیش بینی تغییرات پارامتر رسانایی الکتریکی در آب زیر زمینی شهر تهران با کمک شبکه عصبی مصنوعی
  ناصر مهردادی غلام رضا نبی بید هندی اکبر باغوند حمید زارع ابیانه پویان عباسی مائده
  جهت بررسی کیفیت آب زیر زمینی تهران با توجه به برداشت 10 سال گذشته از پارامتر های هیدروشیمیایی مربوط به 71 نقطه مختلف از شهر تهران سه مدل مختلف شبکه عصبی مصنوعی با تعداد پارامتر های مختلف ورودی و خروجی پارامتر رسانایی الکتریکی تعریف گردید. مشاهده می شود که به جهت تخمین پ أکثر

  جهت بررسی کیفیت آب زیر زمینی تهران با توجه به برداشت 10 سال گذشته از پارامتر های هیدروشیمیایی مربوط به 71 نقطه مختلف از شهر تهران سه مدل مختلف شبکه عصبی مصنوعی با تعداد پارامتر های مختلف ورودی و خروجی پارامتر رسانایی الکتریکی تعریف گردید. مشاهده می شود که به جهت تخمین پارامتر رسانایی الکتریکی با سعی و خطای فراوان تابع محرک تانژانت با تابع آموزش مومنتم دارای خطای کمی خواهند بود. با کمتر کردن مقدار پارامتر های ورودی و ثابت نگه داشتن تابع آموزش به مومنتوم و تابع محرک به تانژانت و تغییرات در مقدار پردازنده های داخلی شبکه عصبی میزان خطا کاسته خواهد شد و در نهایت سه مدل با یک لایه پنهان و تابع آموزش مومنتوم و تابع محرک تانژانت ساخته شد.حداکثر خطای نتایج به دست آمده نشان دهنده میزان بیشینه ضریب تعیین برابر 0.986می باشد که مربوط به مدل های 1 و 3 با تعداد پارامتر بیشتر می باشد. همچنین با توجه به شبکه عصبی ساخته شده در یک لایه کمترین میزان کمینه ی نرمال ریشه ی میانگین مربعات خطا برابر 0.110 در مدل های 1 و 3 خواهد بود، با توجه به تعداد ورودی های کمتر مدل شماره 2 و خطاهای با تقریب بسیار نزدیک به این دو مدل با میزان بیشینه ضریب تعیین برابر 96/0 و میزان کمینه ی نرمال ریشه ی میانگین مربعات خطا برابر 176/0 تقریب بسیار مناسب و قابل قبول خواهد بود و از میزان ورودی و آزمایشات جهت اندازه گیری پارامتر ورودی کاسته خواهد شد. در بحث تاثیر گذاری پارامتر ها در پیش بینی با شبکه عصبی مشخص می شود که میزان اهمیت دو یون سولفات و کلراید با اهمیت تر از پارامتر سدیم می باشند. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  107 - 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
  
  108 - شبیه‌سازی اثر باکتری‌های محرک رشد بر ذرت با استفاده از شبکه عصبی مصنوعی
  علی رضا رضایی معصومه نژاد علی علی غفوریان
  چکیده مطالعات بسیاری در زمینه شناخت عوامل مؤثر بر میزان رشد و نمو گیاهان زراعی از جمله گیاه ذرت صورت گرفته است با توجه به جایگاه ویژه ذرت، تعیین اثر این عوامل از اهمیت بالایی برخوردار است از آن جائیکه بررسی این مطالعات در مزارع و آزمایشگاه ها بسیار زمان بر و پرهزینه می أکثر

  چکیده مطالعات بسیاری در زمینه شناخت عوامل مؤثر بر میزان رشد و نمو گیاهان زراعی از جمله گیاه ذرت صورت گرفته است با توجه به جایگاه ویژه ذرت، تعیین اثر این عوامل از اهمیت بالایی برخوردار است از آن جائیکه بررسی این مطالعات در مزارع و آزمایشگاه ها بسیار زمان بر و پرهزینه می باشد استفاده از شبکه عصبی مصنوعی به عنوان یک روش سریع و غیرمخرب برای شبیه‌سازی عوامل تاثیرگذار بر محصولات کشاورزی و پیش‌بینی نتایج تجربی حائز اهمیت است، هدف از این تحقیق ارزیابی قابلیت پیش بینی اثر باکتری‌های محرک رشد بر عملکرد ذرت علوفه‌ای با استفاده از شبکه عصبی مصنوعی بوده که پس از کسب اطلاعات مورد نیاز از مطالعات تجربی، هر کدام از پارامترهای ورودی و خروجی شامل متغیر مستقل (اثر باکتری‌های محرک رشد و عوامل تاثیرگذار) و متغیر وابسته (عملکرد علوفه در هکتار) داده‌سازی شد سپس شبکه عصبی نوع پرسپترون چند لایه (MLP) با تابع تبدیل سیگموئید در تعداد نورون‌های 5، 10، 15، 20، 25 در لایه مخفی طراحی گردید. نتایج نشان داد شبکه (MLP) با الگوریتم آموزشی پس انتشار خطا با ضریب همبستگی (R=0/999) و میانگین مربعات خطای (MSE= 0/000113) با تعداد 10 نورون در لایه مخفی به عنوان مدل مطلوب قادر به پیش‌بینی عملکرد علوفه ذرت تحت تأثیر باکتری‌های محرک رشد بود، همچنین در نتایج شبیه‌سازی با پارامترهای ورودی جدید، اختلاف بسیار اندکی بین مقادیر خروجی واقعی و خروجی پیش‌بینی شده مشاهده گردید. بنابراین شبکه عصبی مصنوعی در این پژوهش به خوبی توانست اثر باکتری‌های محرک رشد بر ذرت را تخمین و برآورد کند و می توان از شبکه عصبی حاصل برای پیش‌بینی سایر عوامل تاثیرگذار استفاده نمود. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  109 - طراحی و بهینه سازی کنترل کننده عصبی برای تنظیم و کنترل ولتاژ خروجی مبدل های DC به DC افزاینده
  محمد زارعی مجید مرادی زیرکوهی نجمه چراغی شیرازی
  مبدل‌های قدرت DC-DC، بطور گسترده‌ در ساخت منابع تغذیه، درایو موتور DC، افزایش/کاهش ولتاژ خروجی پنل-های خورشیدی و موارد متعدد دیگری مورد استفاده قرار می‌گیرند. تغییر ولتاژ DC از یک سطح به سطح دیگر در بسیاری از کاربردهای صنعتی یک ضروت است. کنترل ولتاژ و جریان خروجی این مب أکثر

  مبدل‌های قدرت DC-DC، بطور گسترده‌ در ساخت منابع تغذیه، درایو موتور DC، افزایش/کاهش ولتاژ خروجی پنل-های خورشیدی و موارد متعدد دیگری مورد استفاده قرار می‌گیرند. تغییر ولتاژ DC از یک سطح به سطح دیگر در بسیاری از کاربردهای صنعتی یک ضروت است. کنترل ولتاژ و جریان خروجی این مبدل‌ها، هنگام تغییرات ناگهانی بار و یا ولتاژ منبع ورودی حائز اهمیت است. از این رو یکی از اهداف این مقاله پرداختن به کنترل و تنظیم ولتاژ خروجی مبدل بوست یا افزاینده می‌باشد. کنترل کننده‌ی پیشنهادی برای کنترل سطح ولتاژ DC خروجی مبدل، یک کنترل کننده شبکه عصبی بهینه شده با الگوریتم مبتنی بر رقابت استعماری می‌باشد. عملکرد کنترل کننده پیشنهادی به این صورت است که ابتدا با توجه به اهداف مورد انتظار از سیستم، شبکه عصبی طراحی می‌شود و سپس با تعیین یک تابع معیار مناسب چند هدفه با استفاده از الگوریتم بهینه سازی ساختار شبکه بهینه می‌شود. این کار باعث بهبود عملکرد سیستم کنترل می‌شود. چرا که انتخاب مناسب پارامتر‌های طراحی در عملکرد شبکه عصبی که نقش کنترل کننده را دارد نقش زیادی دارد. نتایج در مقایسه با کنترل کننده PID نشان از برتری روش پیشنهادی دارد. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  110 - تشخیص طحال از تصاویر MRI شکمی با استفاده از شبکه های عصبی وتبدیل آبخیز
  زهره میری علیرضا ذوالقدراصلی مهران یزدی
  امروزه MRI یکی از روش های مفید تصویر برداری است. از تصویر برداری MRI شکمی بطور گسترده ای در تشخیص های پزشکی از جمله تومورها، تشخیص بافت و غیره استفاده می گردد.لذا الگوریتمهای سریع و مناسب بخش بندی نقش مهمی در تشخیص بیماری ها، طبقه بندی و توصیف کمی بافت، جداسازی عناصر مخ أکثر

  امروزه MRI یکی از روش های مفید تصویر برداری است. از تصویر برداری MRI شکمی بطور گسترده ای در تشخیص های پزشکی از جمله تومورها، تشخیص بافت و غیره استفاده می گردد.لذا الگوریتمهای سریع و مناسب بخش بندی نقش مهمی در تشخیص بیماری ها، طبقه بندی و توصیف کمی بافت، جداسازی عناصر مختلف و تشخیص تومور دارد. در این مقاله یک سیستم اتوماتیک جداسازی طحال از تصاویر MRI شکمی ارائه شده است که شامل دو مرحله پیش پردازش و الگوریتم جداسازی طحال می باشد. پیش پردازش جهت نویز زدایی و بالا بردن کیفیت تصویر استفاده می شود. جداسازی طحال شامل سه مرحله بخش بندی با استفاده از تبدیل آبخیز، محاسبه ویژگی ها و مرحله آخر مقایسه این ویژگی ها با مقادیر مرجع می باشد.هر عنصری که ویژگی های آن به ویژگی های مرجع نزدیکتر باشد بعنوان طحال برچسب زده می شود.برای بدست آوردن مقادیر مرجع که همان ویژگی های شکلی طحال می باشد، از یک شبکه عصبی رو به جلو استفاده شده است. نتایج خروجی طحال بدست آمده با خروجی طحال که توسط یک متخصص استخراج می گردد مقایسه و درصد اختلاف این دو خروجی به عنوان خطا در نظر گرفته می شود. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  111 - 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
  
  112 - 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
  
  113 - 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
  
  114 - 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
  
  115 - 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
  
  116 - 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
  
  117 - پایش تغییرات سطح پوشش جنگل های حوزه سیاه مزگی استان گیلان با استفاده از تصاویر لندست
  سید آرمین هاشمی سید رضا فاطمی طلب حمیده کاوسی کلاشمی مرتضی معدنی پور کرمانشاهی
  در طول دهه‌های اخیر جنگل‌های خزری توسط دخالت‌های انسانی مورد تعرض قرار گرفته‌اند. دسترسی آسان، فراوانی و تنوع محصولات جنگلی با ارزش منجر به افزایش تراکم جمعیت، ایجاد مناطق مسکونی جدید و فعالیت‌های جنگل‌زدایی شده است. آشکار ساختن تغییرات یکی از روش‌های اساسی در مدیریت و أکثر

  در طول دهه‌های اخیر جنگل‌های خزری توسط دخالت‌های انسانی مورد تعرض قرار گرفته‌اند. دسترسی آسان، فراوانی و تنوع محصولات جنگلی با ارزش منجر به افزایش تراکم جمعیت، ایجاد مناطق مسکونی جدید و فعالیت‌های جنگل‌زدایی شده است. آشکار ساختن تغییرات یکی از روش‌های اساسی در مدیریت و ارزیابی منابع طبیعی است. هدف از این مطالعه پایش تغییرات سطح جنگل‌های سیاه مزگی در دو مقطع زمانی (2000 و 2015)، با استفاده از تصاویر لندست +ETM سال 2000 و OLI سال 2015 است. به منظور تهیه نقشه وضعیت گستره جنگل در سال‌های 2000 و 2015، تصاویر با استفاده از 20 نقطه کنترل زمینی که به صورت تصادفی از سرتاسر حوزه برداشت، و با نقشه های توپوگرافی منطقه تصحیح هندسی گردید. پس از انتخاب بهترین مجموعه باندی با استفاده از شاخص فاصله باتاچاریا، طبقه‌بندی تصاویر با استفاده از الگوریتم شبکه عصبی مصنوعی انجام گرفت. نتایج طبقه‌بندی به روش شبکه عصبی در تصاویر سال 2000 و 2015 در حوزه سیاه مزگی نشان داد که صحت کلی به ترتیب 75/95% و 96/95% است. همچنین مساحت اراضی جنگل طی سال‌های 2000 تا 2015 به اندازه 55/213 هکتار کاهش داشته است. همچنین مراتع متراکم نیز کاهش چشمگیری داشته اما در این بازه زمانی بر وسعت زراعت دیم و مراتع نیمه متراکم به میزان 95/169 و 6/9 هکتار افزوده شده است. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  118 - مقایسۀ دقت طبقه‌بندی سری زمانی تصاویر لندست در پایش تغییرات کاربری اراضی
  احمد عظیمی نجارکلایی علی اکبر جمالی زین العابدین حسینی
  در این تحقیق، سه روش طبقه‌بندی شبکه عصبی مصنوعی، حداکثر احتمال و حداقل فاصله جهت تحلیل تغییرات کاربری اراضی، طی سال‌های 1989 تا 2015 در سه سنجنده ماهواره لندست در منطقه ساری مورد ارزیابی و مقایسه قرار گرفت. پس از تصحیحات هندسی و اتمسفری، تصاویر سال 1989، 2002 و 2015، ت أکثر

  در این تحقیق، سه روش طبقه‌بندی شبکه عصبی مصنوعی، حداکثر احتمال و حداقل فاصله جهت تحلیل تغییرات کاربری اراضی، طی سال‌های 1989 تا 2015 در سه سنجنده ماهواره لندست در منطقه ساری مورد ارزیابی و مقایسه قرار گرفت. پس از تصحیحات هندسی و اتمسفری، تصاویر سال 1989، 2002 و 2015، تحت سه الگوریتم‌ شبکه عصبی مصنوعی، حداکثر احتمال و حداقل فاصله در پنج کلاس کاربری طبقه‌بندی شدند. پس از ارزیابی صحت روش‌ها، مقدار کاپای حداکثر احتمال، شبکه عصبی مصنوعی و حداقل فاصله برای سال 1989 به ترتیب 92%،87% و 65% و سال 2002 به ترتیب 89%، 87% و 60% و سال 2015 به ترتیب 91%، 90% و 73% برآورد شد. که نشان‌دهنده برتری روش حداکثر احتمال در مقایسه با دو روش دیگر در سال 1989 بود. همچنین نتایج حاصل از بررسی تغییرات کاربری اراضی در کل دوره موردبررسی (سال‌های 1989 تا 2015)، نشان داد که مناطق انسان‌ساخت و زراعت آبی به ترتیب 3615 و 575 هکتار افزایش داشته‌اند ولی مناطق بایر، باغ و جنگل به ترتیب 1791، 1127 و 1272 هکتار روند رو به کاهشی را داشته‌اند با توجه به نتایج گرفته‌شده، دو روش حداکثر احتمال و شبکه عصبی برای طبقه‌بندی کاربری اراضی مناسب بود، اما روش حداکثر احتمال با اختلاف 5 درصد در سال 1989 و 2 درصد در سال 2002 و 1 درصد در سال 2015 در ضریب کاپا نسبت به روش شبکه عصبی بهتر بود. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  119 - 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
  
  120 - بررسی پتانسیل اراضی استان کرمانشاه جهت کشت گندم دیم با استفاده از شبکه عصبی مصنوعی
  میلاد باقری محمدرضا جلوخانی نیارکی کیوان باقری
  با افزایش روزافزون جمعیت و نیاز به مواد غذایی، گندم به عنوان محصولی با بیشترین سطح زیر کشت و تولید سالانه در مقیاس جهانی از اهمیت ویژه‌ای برخوردار بوده است لذا شناسایی و معرفی مناطق مساعد کشت آن در هر منطقه ضروری است. استان کرمانشاه به‌عنوان محدوده مورد مطالعه یکی از من أکثر

  با افزایش روزافزون جمعیت و نیاز به مواد غذایی، گندم به عنوان محصولی با بیشترین سطح زیر کشت و تولید سالانه در مقیاس جهانی از اهمیت ویژه‌ای برخوردار بوده است لذا شناسایی و معرفی مناطق مساعد کشت آن در هر منطقه ضروری است. استان کرمانشاه به‌عنوان محدوده مورد مطالعه یکی از مناطق حاصلخیزی است که بیشترین کشت گندم را در بین محصولات زراعی دارد. بدین منظور در این مطالعه از شبکه عصبی پرسپترون چندلایه (MLP) با الگوریتم آموزش لونبرگ- مارکوات جهت شناسایی و معرفی مناطق مساعد کشت گندیم دیم استفاده شد. لایه‌های ورودی شبکه شامل 12 لایه؛ کاربری اراضی، میانگین بارندگی سالانه، میانگین بارندگی فصل پاییز، میانگین بارندگی فصل بهار، میانگین دمای سالانه، میانگین دمای فصل بهار، میانگین دمای فصل پاییز، شیب، جهت شیب، ارتفاع از سطح دریا، رطوبت نسبی، درجه- روز است. لایه‌های مربوط به بارندگی و دما به ترتیب با استفاده از داده‌های ایستگاه‌های باران‌سنجی و سینوپتیک و عمل درون‌یابی در محیط ArcGIS تهیه شدند. لایه های وابسته به ارتفاع نیز با استفاده از DEM با قدرت تفکیک 30×30 متر IRS استخراج شدند. ابتدا به منظور تعیین فضای جست وجو الگوریتم شبکه عصبی، مناطق غیر قابل کشت تعیین و از کل لایه های ورودی حذف گردید. 210 مکان مناسب کشت به عنوان نقاط آموزشی شبکه تهیه شد. در نهایت کلاس مناطق غیر قابل کشت که 15% و نتایج حاصل از مدل شامل پنج کلاس بسیار مساعد، مساعد، نسبتاً مساعد، نامساعد و بسیار نامساعد که به ترتیب 5/4، 14/8، 24، 22/5 و 18/3 درصد از کل مساحت استان را به خود اختصاص داده‌اند، تعیین شد. همچنین ضریب رگرسیون کلی 91 درصدی شبکه که حاصل شرکت کلیه داده در شبکه است، بیانگر کارای بالای شبکه عصبی پرسپترون چندلایه در این پهنه‌ بندی است. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  121 - 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
  
  122 - اثر بهینه سازی کرنل در مدلسازی پدیده خشکسالی با بهره‌گیری از هوش محاسباتی (مطالعه موردی: شهر سنندج)
  جهانبخش محمدی علیرضا وفایی نژاد سعید بهزادی حسین آقامحمدی امیر هومن حمصی
  10.30495/girs.2023.688408
  خشک‌سالی یکی از مهم‌ترین بلایای طبیعی است که اثرات مخرب و زیان‌باری در زمینه‌های مختلف اقتصادی، اجتماعی و زیست‌محیطی به‌جای می‌گذارد. با توجه به رفتار تکرارشوندگی این پدیده، در صورت عدم اجرای راهکارهای مناسب، آثار مخرب آن تا سال‌ها پس از وقوع می‌تواند در منطقه باقی بمان أکثر

  خشک‌سالی یکی از مهم‌ترین بلایای طبیعی است که اثرات مخرب و زیان‌باری در زمینه‌های مختلف اقتصادی، اجتماعی و زیست‌محیطی به‌جای می‌گذارد. با توجه به رفتار تکرارشوندگی این پدیده، در صورت عدم اجرای راهکارهای مناسب، آثار مخرب آن تا سال‌ها پس از وقوع می‌تواند در منطقه باقی بماند. اکثر بحران‌های طبیعی از قبیل سیل، زلزله، طوفان و رانش زمین در دوره‌ای کوتاه ممکن است خسارات سنگین مالی و جانی به جامعه وارد کنند، اما خشک‌سالی ماهیت آرام و خزشی دارد و آثار مخرب آن به‌تدریج و در مدت طولانی‌تری ظاهر می‌شود. ازاین‌رو با مدل‌سازی خشک‌سالی می‌توان طرح‌هایی جهت آماده‌سازی در مقابل خشک‌سالی و کاهش خسارات ناشی از آن ارائه کرد. در این پژوهش از الگوریتم‌های هوش محاسباتی شبکه عصبی پرسپترون چندلایه (Multi-Layer Perceptron)، شبکه عصبی رگرسیونی تعمیم‌یافته (Generalized Regression Neural Network)، رگرسیون بردار پشتیبان با کرنل گوسین (Support Vector Regression) و رگرسیون بردار پشتیبان با کرنل پیشنهادی (Support Vector Regression New kernel) جهت مدل‌سازی خشک‌سالی با در نظر گرفتن شاخص استانداردشده بارش Standardized Precipitation Index) ( استفاده شده است. نتایج مدل‌سازی‌ها در اغلب حالات بیانگر کارایی بهتر مدل پیشنهادی SVR_N نسبت به دیگر مدل‌ها بود که در SPI 48 ماهه بهترین دقت مدل‌سازی حاصل گردید و مقدار RMSE و R2 به ترتیب برابر 093/0 و 991/0 به دست آمد. همچنین مدل‌های GRNN، MLP و SVR به ترتیب بعد از SVR_N کارایی بهتری در مدل‌سازی از خود نشان دادند. نتایج این تحقیق بیانگر اهمیت انتخاب و بهینه‌سازی کرنل بر رفتار مدل‌سازی پدیده خشک‌سالی در مدل‌سازی به روش رگرسیون بردار پشتیبان است. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  123 - تحلیل و مقایسه تغییرات کاربری/پوشش اراضی با استفاده از شبکه عصبی مصنوعی (مطالعه موردی: اراضی تفت و مهریز)
  علیرضا سپهری علی اکبر جمالی محمد حسن زاده
  عرصه‌های منابع طبیعی و پوشش گیاهی شهرهای تفت و مهریز در دهه‌های اخیر با توجه به ییلاقی بودن و نزدیک بودن به مرکز استان یزد دستخوش تغییرات شده است. هدف از این پژوهش، ارزیابی میزان و جهت و پیش‌بینی تغییرات اراضی و پوشش گیاهی در این دو شهر است. در این پژوهش از تصاویر ماهوا أکثر

  عرصه‌های منابع طبیعی و پوشش گیاهی شهرهای تفت و مهریز در دهه‌های اخیر با توجه به ییلاقی بودن و نزدیک بودن به مرکز استان یزد دستخوش تغییرات شده است. هدف از این پژوهش، ارزیابی میزان و جهت و پیش‌بینی تغییرات اراضی و پوشش گیاهی در این دو شهر است. در این پژوهش از تصاویر ماهواره لندست 5 (سال های 1377، 1383 و1387) و لندست 8 (سال 1396) اردیبهشت و خرداد استفاده شد. مدل‌سازی تغییرات کاربری/پوشش اراضی بر اساس طبقه‌بندی نظارت‌شده انجام شد. با استفاده از مدل‌سازی تغییرات زمین و روش شبکه عصبی چندلایه پرسپترون روند تغییرات تجزیه‌وتحلیل شد. نتایج نشان داد که %3 (558.8 هکتار) از اراضی و پوشش گیاهی شهر تفت به بایر و %1.3 (209.9 هکتار) به زمین‌های شهری افزوده‌شده است و از اراضی باغ‌ها %4.3 (559.2 هکتار) کاسته شده است که این میزان بیشترین مقدار است. مقدار %2.8 (678.8 هکتار) از اراضی و پوشش گیاهی شهر مهریز به بایر و مقدار %1.7 (184 هکتار) به زمین‌های مسکونی شهری تغییر کاربری داده‌شده است. به لحاظ گسترش شهری (مساحت و تبدیل کاربری‌ها) شهر مهریز دارای بیشترین مقدار در کاهش پوشش گیاهی بوده است. نتایج نشان داد که تغییرات کاربری و پوشش اراضی در شهر تفت بیشتر از شهر مهریز بوده است، به طوری که بیشترین این تغییرات مربوط به باغ‌ها بوده است اما به لحاظ گسترش اراضی ازلحاظ مساحت و تبدیل کاربری‌ها، در شهر مهریز دارای بیشترین مقدار با شدت بیشتری بوده است. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  124 - 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
  
  125 - 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
  
  126 - 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
  
  127 - 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
  
  128 - 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
  
  129 - 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
  
  130 - برآورد تغییرات سطح پوشش جنگل های رودسر با استفاده از روش های طبقه بندی شبکه عصبی مصنوعی و حداکثر احتمال
  سید رضا فاطمی طلب مرتضی معدنی پور کرمانشاهی سید آرمین هاشمی
  امروزه کسب آگاهی و دانش در رابطه با پوشش گیاهی نقش مهمی را در مدیریت خاک ها ایفا می کند. بااین وجود برآورد پوشش گیاهی به روش معمولی که شامل برآورد کلی از پوشش گیاهی است هم زمان بر است و هم اطلاعات چندان دقیقی را به دست نمی دهد. از این رو سنجش از دور فنآوری بسیار مفیدی ا أکثر

  امروزه کسب آگاهی و دانش در رابطه با پوشش گیاهی نقش مهمی را در مدیریت خاک ها ایفا می کند. بااین وجود برآورد پوشش گیاهی به روش معمولی که شامل برآورد کلی از پوشش گیاهی است هم زمان بر است و هم اطلاعات چندان دقیقی را به دست نمی دهد. از این رو سنجش از دور فنآوری بسیار مفیدی است که به دلیل کاهش زمان و هزینه، بر سایر روش ها ارجحیت داده می شود. در این تحقیق سعی بر آن شد با استفاده از تکنیک های سنجش از دور و تصاویر سنجنده ETM+سال 2000 و لندست 8 مربوط به سال 2013 نقشه پوشش جنگل های رودسر تهیه شود. طبقه بندی رقومی تصویر منطقه جهت تهیه نقشه کاربری اراضی با استفاده از طبقه بندی کننده حداکثر احتمال و شبکه عصبی با شرکت دادن مجموعه باندهای مختلف انجام شد. نتایج نشان داد که در بهترین حالت، صحت کلی طبقه بندی تصویر در روش شبکه عصبی ETM+ سال 2000 و لندست 8 سال 2013 به ترتیب معادل 95/0 و 95/0 و ضریب کاپای 91/0 و 91/0 برآورد شد. دقت کلی در روش حداکثر احتمال در تصویر سال 2000 و 2013 معادل 95/0 و 85/0 و آماره کاپا معادل 86/0 و 84/0 محاسبه گردید. نتایج تحقیق همچنین نشان داد میزان کاهش پوشش جنگلی در روش طبقه بندی شبکه عصبی 507/1054 هکتار و میزان کاهش پوشش جنگلی در روش طبقه بندی حداکثر احتمال 319/635 هکتار بوده است. با توجه به دقت طبقه بندی و آماره کاپا مشاهده می شود دقت و ضریب کاپای روش طبقه بندی شبکه عصبی بالاتر از دقت و ضریب کاپا در روش حداکثر احتمال است. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  131 - 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
  
  132 - ارائه روشی برای شناسایی و کشف تقلب در کارت های اعتباری با استفاده از الگوریتم ترکیبی شبکه عصبی و رقابت استعماری
  جواد بالا کودهی محمد تحقیقی شربیان
  مقاله حاضر بـا مدل سـازی ریاضـی، فرآینـد اجتمـاعی-سیاسـی الگوریتم رقابت استعماری را در جهت ارائه یک الگوریتم قوی و کارا در حوزه بهینـه سـازی تشخیص به کارگرفته است. دراین الگو از الگوریتم بهینه سازی برای یـادگیری یک ساختار شبکه عصبی استفاده شده است. شبکه عصبی مورد ا أکثر

  مقاله حاضر بـا مدل سـازی ریاضـی، فرآینـد اجتمـاعی-سیاسـی الگوریتم رقابت استعماری را در جهت ارائه یک الگوریتم قوی و کارا در حوزه بهینـه سـازی تشخیص به کارگرفته است. دراین الگو از الگوریتم بهینه سازی برای یـادگیری یک ساختار شبکه عصبی استفاده شده است. شبکه عصبی مورد استفاده در حل مسئله طبقه بندی دیتاهای بانکی به کار رفته است و اعمـال الگوریتم رقابت استعماری به مسئله یادگیری شـبکه عصـبی طبقـه بندی کننده نیز روش مطرح شده در کار است. ساختار ترکیبی و پلکانی مدل- مبتنی بر الگوی هوشمند سازی – بر اساس ساختار ارتقا ی سیستم پیشنهادی عمل می کند . در این پژوهش تشخیص تقلب در کارت‌های اعتباری با هدف شناسایی نرخ تقلب، بالا بردن دقت و اعمال کمترین نرخ خطای سیستم با استفاده شبکه‌های عصبی و ترکیب آن با الگوریتم رقابت استعماری همراه بوده است؛ همچنین استخراج ویژگی‌های مؤثر در ارزیابی تشخیص تقلب از دیگر اهداف این تحقیق می‌باشد. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  133 - 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
  
  134 - 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
  
  135 - تطبیق دامنه بدون نظارت جهت طبقه‌بندی تصاویر با استفاده از شبکه‌های عصبی عمیق
  امیرفرهاد فرهادی میترا میرزارضایی آرش شریفی محمد تشنه لب
  تطبیق دامنه می تواند دانش را از یک مجموعه آموزشی (دامنه منبع) به یک مجموعه آزمایشی (دامنه هدف) انتقال دهد تا بازدهی مدل یادگرفته شده از داده های آموزش، افزایش یابد. در حیطه تطبیق دامنه مسائل به دو بخشِ با نظارت و بدون نظارت تقسیم بندی می شود. در این پژوهش دامنه أکثر

  تطبیق دامنه می تواند دانش را از یک مجموعه آموزشی (دامنه منبع) به یک مجموعه آزمایشی (دامنه هدف) انتقال دهد تا بازدهی مدل یادگرفته شده از داده های آموزش، افزایش یابد. در حیطه تطبیق دامنه مسائل به دو بخشِ با نظارت و بدون نظارت تقسیم بندی می شود. در این پژوهش دامنه های بدون نظارت مورد بررسی قرارمی‌گیرد. یکی از چالش‌ها در تطبیق دامنه که به آن کمتر توجه شده است، عدم توجه به زیرفضا دامنه (فشردگی درون کلاسی) و همچنین تاثیر مخرب داده‌های نویزی و خارج از محدوه است، که موجب انتقال منفی و در نهایت موجب کاهش دقت طبقه‌بندی می‌شود. در این مقاله با استفاده از شبکه‌ تخاصمی مولد جهت استخراج ویژگی‌ها با درنظرگرفتن فشردگی درون-کلاسی دامنه‌ها بر مبنای تخمین اولیه برچسب‌ها با کمک الگوریتم خوشه‌بندی فازی c-means در گام اول و در گام دوم با کمک شبکه‌های عصبی پیچشی و متریک WMMD جهت طبقه‌بندی تصاویر با خطای کمتر ارائه شده است. ارزیابی‌ و نتایج به دست آمده در 5 مجموعه داده محک استاندارد و مقایسه آن با روش‌های پیشین نشان دهنده عملکرد بهتر نسبت به رهیافت‌های مشابه می‌باشد. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  136 - استفاده از الگوریتم رقابت استعماری اصلاح شده به منظور افزایش سرعت و دقت سیستم تشخیص نفوذ هوشمند
  محمد نظرپور نوید نظافتی سجاد شکوهیار
  در تمام سیستم‌های پردازش اطلاعات، شناسایی حملات سایبری یک چالش اصلی محسوب می شود و با شناسایی به موقع حملات می‌توان اثرات آن را مسدود یا کم کرد. سیستم اینترنت اشیا نیز از این پدیده مستثنی نبوده و با پیشرفت رو به رشد این فناوری و گسترش زیرساخت های آن، نیاز به سیستم تشخ أکثر

  در تمام سیستم‌های پردازش اطلاعات، شناسایی حملات سایبری یک چالش اصلی محسوب می شود و با شناسایی به موقع حملات می‌توان اثرات آن را مسدود یا کم کرد. سیستم اینترنت اشیا نیز از این پدیده مستثنی نبوده و با پیشرفت رو به رشد این فناوری و گسترش زیرساخت های آن، نیاز به سیستم تشخیص نفوذ هوشمند با دقت و سرعت بالا یک امر ضروری است. شبکه‌های عصبی سیستم‌های مدرنی هستند که از روش‌های محاسباتی نوین برای یادگیری ماشین، نمایش دانش و در نهایت استفاده از دانش کسب‌شده برای به حداکثر رساندن پاسخ‌های خروجی سیستم‌های پیچیده استفاده می کنند. یکی از معایب استفاده از آموزش با روش های کلاسیک در شبکه های عصبی، گیرافتادن در نقاط بهینه محلی است. در این مقاله از الگوریتم فراابتکاری رقابت امپریال (ICA) برای آموزش شبکه های عصبی استفاده کرده، نشان دادیم که این الگوریتم در زمینه تشخیص نفوذ در سیستم اینترنت اشیا، می تواند عملکرد بسیار بهتری از منظر سرعت و دقت نسبت به روش های آموزشی کلاسیک داشته باشد .نتایج نشان می دهد روش پیشنهادی دارای دقت 90% می باشد که در مقایسه با روش شبکه عصبی کلاسیک که دارای دقت 75 درصد بوده عملکرد بهتری دارد. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  137 - 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
  
  138 - 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
  
  139 - طراحی و ارائه رویکرد ترکیبی نوین در جهت انتخاب و پیشنهاد مکانی و زمانی بر پایه شبکه عصبی کانولوشن
  صدف صفوی مهرداد جلالی محبوبه هوشمند
  فعالیت در شبکه‌های اجتماعی مبتنی بر مکان مانند Yelp وGowalla به بخشی اساسی از زندگی روزمره کاربران تبدیل شده است و به راحتی می‌توانند از رفتارهای دوستان خود و نقاط جذاب بازدید شده توسط آنان اطلاع یافته و تحت تأثیر آنها قرار گیرند. در نتیجه، وجود توصیه‌های هدفمند و استخر أکثر

  فعالیت در شبکه‌های اجتماعی مبتنی بر مکان مانند Yelp وGowalla به بخشی اساسی از زندگی روزمره کاربران تبدیل شده است و به راحتی می‌توانند از رفتارهای دوستان خود و نقاط جذاب بازدید شده توسط آنان اطلاع یافته و تحت تأثیر آنها قرار گیرند. در نتیجه، وجود توصیه‌های هدفمند و استخراج ویژگی‌های کلیدی نقاط مورد علاقه و کاربران از اهمیت بالایی برخوردار است. در این مقاله، یک روش جدید برای توصیه نقاط مورد علاقه مبتنی بر شبکه عصبی کانولوشن پیشنهاد شده است، که با توجه به الگوی رفتاری شبیه ترین دوست کاربر عمل می‌کند. برای یافتن شباهت، از روش خوشه‌بندی فازی C-Means استفاده می‌کنیم و مکان‌های نزدیک به مرکز یک خوشه از میزان وابستگی بالاتری برخوردار خواهند بود. چارچوب پیشنهادی شبکه عصبی کانولوشن ارائه شده به عنوان ورودی، شش ویژگی شامل شناسه کاربر، ماه، روز، ساعت، دقیقه و ثانیه که زمان بازدید هر کاربر است را در نظر می‌گیرد و با ۹ لایه می‌تواند طول و عرض جغرافیایی و شناسه مکان‌های مناسب بعدی را پیش‌بینی کرده و سپس بر‌اساس کوتاهترین فاصله از الگوی رفتاری دوست مشابه، مکان‌های پیشنهادی دقیق را توصیه کند. تکنیک ما در دو مجموعه داده شبکه‌های اجتماعی مبتنی بر مکان ارزیابی شده و نتایج تجربی نشان می‌دهند که روش پیشنهادی دقت بالاتری نسبت به رویکردهای پیشرفته برای توصیه مکان‌های مورد علاقه دارد. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  140 - رویکرد کاهش ریسک در مؤسسات مالی برای انتخاب متقاضیان تسهیلات با استفاده از یک پایگاه داده استاندارد بر پایه یادگیری عمیق
  حامد حدادی سید ناصر رضوی امین بابازاده سنگر
  در مؤسسات مالی، بانک‌ها و مؤسسات کارآفرینی که تسهیلات اشتغال به مشتریان خود پرداخت می‌کنند، مسائل متعددی را قبل از اعطای تسهیلات مورد بررسی قرار می‌دهند. در این میان، مهم‌ترین و پراهمیت‌ترین موضوع برای یک سیستم مالی، ارزیابی توان مشتریان در بازپرداخت تسهیلات می‌باشد. ان أکثر

  در مؤسسات مالی، بانک‌ها و مؤسسات کارآفرینی که تسهیلات اشتغال به مشتریان خود پرداخت می‌کنند، مسائل متعددی را قبل از اعطای تسهیلات مورد بررسی قرار می‌دهند. در این میان، مهم‌ترین و پراهمیت‌ترین موضوع برای یک سیستم مالی، ارزیابی توان مشتریان در بازپرداخت تسهیلات می‌باشد. انتخاب درست متقاضیان تسهیلات، با استفاده از روش‌های سنتی انجام می‌شود که این روش‌ها مستعد خطا می‌باشند. امروزه با توسعه یادگیری ماشین، می‌توان انتخاب درست متقاضیان را با دقت بیشتری انجام داد. این مطالعه با هدف رفع کاستی‌های مطالعات پیشین، یک مدل تصمیم‌گیری توسعه‌یافته با در نظر گرفتن الگوهایی از مشتریان موفق و غیر موفق در 4 حوزه مختلف پیش‌بینی وضعیت نظارت، وضعیت تسهیلات، مدت‌زمان فعالیت و تعداد اشتغال ایجادشده، ارائه شده است. در این مطالعه، یک پایگاه داده جامع بر پایه استانداردهای موجود جمع‌آوری‌شده و یک مدل شبکه عصبی عمیق برای استخراج ویژگی‌ها از داده‌های ورودی، طراحی شده است. با توسعه روش پیشنهادی و راه‌یابی مطالعه حاضر به حوزه‌های کاربردی و عملی، می‌توان متقاضیان مطلوب تسهیلات را به‌صورت خودکار و با صحت بیشتری ارزیابی و انتخاب نمود. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  141 - 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
  
  142 - 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
  
  143 - 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
  
  144 - 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
  
  145 - 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
  
  146 - 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
  
  147 - تخمین خشکسالی با نمایه‌های SPI و EDI با استفاده از شبکه عصبی مصنوعی- فازی بهینه شده با الگوریتم بهینه سازی ازدحام ذرات (مطالعه موردی: استان کهگیلویه و بویراحمد)
  مهدی ملک محمودی مهدی کماسی جعفر جعفری اصل سیما اوحدی
  1912-1261
  خشکسالی یکی از اصلی‌ترین و قدیمی‌ترین بلای طبیعی است که عواقب زیست محیطی مهمی را به در پی دارد. در واقع میزان خشکسالی مقایسه نسبی بین میزان بارندگی هر منطقه در آن سال با میانگین بارندگی در سال های گذشته می باشد. استان کهگیلویه و بویراحمدگر چه از نظر میزان بارش دارای جای أکثر

  خشکسالی یکی از اصلی‌ترین و قدیمی‌ترین بلای طبیعی است که عواقب زیست محیطی مهمی را به در پی دارد. در واقع میزان خشکسالی مقایسه نسبی بین میزان بارندگی هر منطقه در آن سال با میانگین بارندگی در سال های گذشته می باشد. استان کهگیلویه و بویراحمدگر چه از نظر میزان بارش دارای جایگاه سوم در کشور می باشد اما خشکسالی‌ها به‌طور متناوب این استان را تحت تاثیر قرار داده و خسارات جبران ناپذیری را به دنبال دارند. استفاده از نمایه‌های اندازه‌گیری ﺧﺸﮑﺴﺎﻟﻲ ﺑﺮﺍﻱ پایش ﻭ ﺍﺭﺯﻳﺎﺑﻲ ﻣﮑـﺎﻧﻲ ﻭ ﺯﻣـﺎﻧﻲ ﺍﻳـﻦ ﭘﺪﻳـﺪﻩ به جهتش ﻣﺪﻳﺮﻳﺖ ﺑﺤﺮﺍﻥ ﺁﻥ ضروری ﻭ ﺣﻴﺎﺗﻲ ﺑﻪ ﻧﻈﺮ می‌رسد. ﺩﺭ ﺍﻳﻦ پژوهش ﺍﺯ شبکه‌های عصبی مصنوعی (ANN) و مدل ﻋﺼﺒﻲ ﻓﺎﺯﻱ تطبیقی (ANFIS) ﺑﺮﺍﻱ پیش‌بینی ﺧﺸﮑﺴﺎﻟﻲ ﺑﺎ ﻧﻤﺎﻳـﻪ ﺑـﺎﺭﺵ استاندارد (SPI) و نمایه خشکسالی موثر (EDI) اﺳﺘﻔﺎﺩﻩ گردیده است بر اساس مطالعات نمایه های SPI و EDI قابلیت بیشتری در پیش بینی ﻧﺴﺒﺖ ﺑﻪ ﻧﻤﺎﻳﻪ ﻫﺎﻳﻲ ﭼﻮﻥ ﭘﺎﻟﻤﺮ، ﭘﺎﻟﻔﻲ ﻭ ﺩﻳﮕﺮ ﻧﻤﺎﻳﻪ ﻫﺎ ﺩﺍﺭند. نتایج این پژوهش حاکی از آن است که نمایه SPI قابلیت و دقت بالاتری نسبت به نمایه EDI در پیش بینی خشکسالی دارد و از طرفی مدل شبکه عصبی- فازی تطبیقی بهینه‌شده (PSO-ANFIS) جهت پیش بینی خشکسالی از کارایی بالایی برخوردار است. نتایج نشان می دهد که بهینه شده موجب افزایش دقت مدلسازی در مرحله صحت‌سنجی و واسنجی شده است همچنین مدل با ضریب واسنجی 97/0 و ضریب صحت‌ سنجی 86/0 بهترین مدل می باشد. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  148 - تهیه‌ی نقشه‌ی حساسیت به وقوع زمین لغزش با استفاده از مدل شبکه عصبی پرسپترون چند لایه از نوع پیش‌خور پس انتشار (BP)
  سید رضا حسین زاده مسعود مینایی حمید نزاد سلیمانی مهوش نداف سنگانی
  1710-1037
  با توجه به توانایی‌های شبکه‌های عصبی مصنوعی، کاربرد آ‌ن‌ها در رشته‌های مختلف مهندسی و علوم زمین گسترش قابل ملاحضه‌ای داشته است. در این پژوهش برای پهنه‌بندی زمین‌لغزش در حوضه آبریز بار نیشابور از مدل شبکه عصبی پرسپترون چند لایه از نوع پیش‌خور پس انتشار (BP) استفاده شد. ه أکثر

  با توجه به توانایی‌های شبکه‌های عصبی مصنوعی، کاربرد آ‌ن‌ها در رشته‌های مختلف مهندسی و علوم زمین گسترش قابل ملاحضه‌ای داشته است. در این پژوهش برای پهنه‌بندی زمین‌لغزش در حوضه آبریز بار نیشابور از مدل شبکه عصبی پرسپترون چند لایه از نوع پیش‌خور پس انتشار (BP) استفاده شد. هدف نهایی از این پژوهش ارائه نقشه خطر زمین‌لغزش جهت ارزیابی وقوع آن با استفاده از روش شبکه عصبی مصنوعی می‌باشد. جهت ارزیابی شبکه عصبی ایجاد شده، داده‌های 32 زمین‌لغزش اتفاق افتاده به سیستم ارائه گردید. این پایگاه داده شامل اطلاعات مربوط به شیب، جهت شیب، لیتولوژی، مدل ارتفاع رقومی (DEM)، نقشه هم‌باران، فاصله از گسل و کاربری اراضی می‌باشد. این داده‌ها جهت تغذیه به شبکه عصبی ایجاد شده، بر اساس بزرگترین مقدار موجود هر داده در بانک اطلاعاتی بین صفر و یک نرمالیزه گردید. سپس داده‌های نرمالیزه شده به یک شبکه عصبی پرسپترون سه لایه تغذیه شونده به جلو(Feed forward) با الگوریتم پس انتشار خطا (Back error propagation) تغذیه گردید. داده‌های فوق ابتدا در شبکه آموزش دیده و سپس مورد آزمایش قرار گرفتند. ساختار نهایی شبکه دارای 7 نرون در لایه ورودی، 20 نرون در لایه میانی و یک نرون در لایه خروجی می‌باشد. در این بین 80 درصد اطلاعات برای آموزش و 20 درصد باقیمانده برای آزمایش در نظر گرفته شد. دقت شبکه در مرحله آزمایش 25/91 درصد برآورد گردید. خروجی به‌دست آمده از شبکه عصبی با اختلاف 2/0 به پنج پهنه تقسیم‌بندی شد. بر اَساس این پهنه‌بندی 50/8، 52/11، 92/17، 45/39، 61/22 درصد از مساحت منطقه به‌ترتیب در کلاس‌های خطر پایدار، کم خطر، متوسط، زیاد و خیلی زیاد قرار گرفته است. نتایج حاصل نشان داد که ساختار زمین شناسی تشکیل یافته از مارن‌های خاکستری با میان لایه‌های آهکی(سازند دلیچای) و همچنین فعالیت‌های تکتونکی گسل‌های منطقه باعث شده که حوضه آبخیز بار از قابلیت بالایی در رخداد زمین‌لغزش برخوردار شود. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  149 - حساسیت به حرکات توده ای خاک با استفاده از شبکه عصبی مصنوعی،منطق فازی و رگرسیون چند متغیره (مطالعه موردی: حوضه گرماب رود ساری)
  محمد ابراهیم عفیفی ابوالفضل بهنیافر
  1427
  حرکت رو به پایین توده‌ای از خاک یا سنگ در اثر نیروی ثقل در دامنه‌ها زمین لغزش نامیده میشود. شناسایی مناطق حساس به زمین لغزش و خطرات آن یکی از گام های اول در مدیریت منابع طبیعی و برنامه ریزی توسعه است.هدف از این مطالعه، پیش بینی خطر زمین لغزش در حوضه گرماب رود ساری با اس أکثر

  حرکت رو به پایین توده‌ای از خاک یا سنگ در اثر نیروی ثقل در دامنه‌ها زمین لغزش نامیده میشود. شناسایی مناطق حساس به زمین لغزش و خطرات آن یکی از گام های اول در مدیریت منابع طبیعی و برنامه ریزی توسعه است.هدف از این مطالعه، پیش بینی خطر زمین لغزش در حوضه گرماب رود ساری با استفاده از مدل شبکه عصبی مصنوعی، رگرسیون چند متغیره، روش منطق فازی. موقعیت زمین لغزش ها از طریق مشاهدات میدانی و عکس های هوایی شناسایی شد. در مرحله بعد، عوامل احتمالی موثر بر زمین لغزش مانند ارتفاع، سنگ شناسی، شیب، جهت شیب، فاصله از رودخانه، فاصله از جاده ها و فاصله از گسل ها، مقدار بارندگی و استفاده از زمین، تعیین شده اند. سپس، با استفاده از روش رگرسیون چند متغیره برای تعیین اهمیت هر معیار، به وقوع زمین لغزش در منطقه مورد مطالعه، اعمال شد. نتایج نشان می دهد که بیشترین تاثیر شیب، فاصله زمین و فاصله از جاده است. برای ارزیابی مدل ها، منحنی عملکرد نسبی (ROC) و سطح زیر آن (AUC) مورد استفاده قرار گرفت.نتایج بدست آمده نشان می دهد دقت 5/91٪ برای مدل وزن شبکه عصبی مصنوعی، دقت 90/3٪ برای مدل رگرسیون چند متغیر، دقت 86/2٪ برای مدل گام فازی، دقت 86٪ برای مدل اشتراک فازی، دقت 83/4٪ برای مدل جامعه فازی و دقت 80/7٪ برای مدل AHP. همچنین نتایج شاخص SCAI نشان دهنده میزان بیشتری از پایداری است. نقشه نهایی مربوط به مدل شبکه عصبی و رگرسیون چند متغیره نسبت به دو مدل دیگر است. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  150 - Developing the Numerical method and MLP Model to simulation of flow over side weir
  عباس پارسائی امیر حمزه حقی آبی شادی نجفیان
  Side weir is a type of weirs that used extensively in a variety ofengineering projects such as river engineering, dam,waste water , Irrigation and drainage network. So the study on the flow characteristics on the type weir, is one of the mostimportant topics in hydrauli أکثر

  Side weir is a type of weirs that used extensively in a variety ofengineering projects such as river engineering, dam,waste water , Irrigation and drainage network. So the study on the flow characteristics on the type weir, is one of the mostimportant topics in hydraulic engineering. The spatially varied flow (S.V.F)with discharge decreasing is governing equation to this type weir.Study on the hydraulic characteristics of this Structural, divided two part. One calculation of water surface profiles and twoestimate the discharge coefficient estimate. Numerical methods used to modeling water surface profiles. And for estimating of discharge coefficient the empirical equation and intelligent method proposed.In this study a numerical model (Fourth-Order Runge–Kutta Method)has been presented for solving spatially varied flow(S.V.F) and follow evaloution of empirical equation has done then to estimate of discharge coefficient the MLP model has been implement. For developting the ANFIS model,the data that poblished in journal has been used. The final result has good agreement with experimental data and can accurately simulate the flow over side weir. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  151 - 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
  
  152 - 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
  
  153 - 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
  
  154 - 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
  
  155 - Prediction of Longitudinal Dispersion Coefficient of Pollution in Rivers Using a Modified of Neural Networksby Genetic Algorithm
  عباس پارسایی امیر حمزه حقی آبی امیر مرادی نژاد
  Reductionof Surface water quality and pollution in the environment is majorproblems. This issuewill become more important because the rivers are as a source for supplied for drinking water forpeople, industrial and agriculture. Prediction and modeling of hydraulic pheno أکثر

  Reductionof Surface water quality and pollution in the environment is majorproblems. This issuewill become more important because the rivers are as a source for supplied for drinking water forpeople, industrial and agriculture. Prediction and modeling of hydraulic phenomenon is one of themost importantactivities of Hydraulic Engineering. Neural network is one of the most usefulmethods of data processing which capable of modeling the complex relationships between inputand output. In this study, for prediction of the dispersion coefficient of pollution in rivers andthedevelopment of neural network (ANN) and empirical formulas wasstudied. Best accuracy ofthem is related to the Tavakollizadeh and Kashefipur, formula which its error index R 2 􀀠 0.77 .To increase in the perdition of the dispersion coefficient, the multi-layer perceptron (MLP) wasdeveloped. Training process and simulation MLP model was conducted in the Matlabsoftwareenvironment.To increase the performance of the MLP, genetic algorithm for training process isused. The results showed that the MLP are more accurate in comparison with otherempiricalequations.Using genetic algorithms for neural network training the neural networkmodel will further increase its accuracy about the 19 percent. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  156 - Modeling of pollutant transmission in rivers By using Finite volume method and ANFIS model
  عباس پارسائی محمد مهدی احمدی کوروش قادری
  Study in surface water quality is important. Rivers are one of the main sources of water supply fordrinking, agriculture and industry. Unfortunately, sometime Rivers where wastewater dischargesare considered. For this reason,the pollutant transmission in river is one of أکثر

  Study in surface water quality is important. Rivers are one of the main sources of water supply fordrinking, agriculture and industry. Unfortunately, sometime Rivers where wastewater dischargesare considered. For this reason,the pollutant transmission in river is one of the most importantproblems in Environmental Engineering. the Advection Dispersion Equation (ADE) is governedon the pollutant transport in river. this equation is partial differential equation (PDE). Thisequation is used most widely in fluid engineering spatially water engineering and in generalnamed convection equation.to Preparate computer programs that can simulate the pollutanttransmission, in addition to the used numerical method to solution of the convection equation ,thecalculation of Longitudinal Dispersion coefficient (LDC) is needed. Many empirical formulas arepresented for calculating the LDC. the assessment of this equations shows that Most of theiraccuracy is not satisfactory. Thus the use of Artificial Intelligent techniques is inevitable. In thispaper, the finite volume method is used discretiz of ADE and to estimate the diffusion coefficient,adaptive neural network (ANFIS) has been developed. the result of ANFIS model shows that Theaccuracy and performance of the model in training and testing process is very suitable. After thedevelopment of an artificial intelligence model general model was developed. the result of thefinal model tested with analytical solution of ADE and observation data of the Severn River in theUK. the final result show that performance of model is suitable.Keywords: transmission of pollutant, finite volume method, Severn river تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  157 - پیش بینی رویگردانی مشتریان بانک با استفاده از روش داده کاوی
  parvin najmi abbas rad maryam shoar
  شدت رقابت درفضای صنعتی ، باعث شده است که تمایل بنگاه‌های اقتصادی به جذب مشتریان بیشتر کم و، تمایل به فعالیت در زمینه‌های خدماتی و تولیدی افزایش یافته است. به همین منظور، توسعه روش هایی به منظور شناسایی مشتریان رویگردان و پیش بینی رویگردانی، از مهمترین فعالیت های حوزه فر أکثر

  شدت رقابت درفضای صنعتی ، باعث شده است که تمایل بنگاه‌های اقتصادی به جذب مشتریان بیشتر کم و، تمایل به فعالیت در زمینه‌های خدماتی و تولیدی افزایش یافته است. به همین منظور، توسعه روش هایی به منظور شناسایی مشتریان رویگردان و پیش بینی رویگردانی، از مهمترین فعالیت های حوزه فروش به حساب خواهد آمد. در صورتی که بانک فرصت کافی برای پیش بینی رویگردانی مشتریان داشته باشد؛ می تواند به اصلاح ساختارها و خدمات خود به منظور جلوگیری از ریزش تعداد بیشتری از مشتریان بپردازد. تحقیق حاضر، به منظور توسعه چنین مدلی برای بانک شهر صورت گرفته است. به همین منظور، از یک الگوریتم دو مرحله ای خوشه بندی، دسته بندی داده کاوی استفاده شده. به منظور خوشه بندی مشتریان، از نقشه های خودسازمان ده شبکه عصبی که یک روش یادگیری نظارت نشده است؛ استفاده و برای دسته بندی از ماشین بردار پشتیبان و درخت تصمیم استفاده شده است. روش استفاده از این ابزارها به این صورت است که ابتدا از دو مشخصه میانگین موجودی و میانگین تراکنش مشتریان در دوره سه ماهه پایانی استفاده شده و به عنوان ورودی شبکه عصبی در خوشه بندی مورد استفاده قرار گرفته است. پس از آن، در مرحله کلاس بندی، از داده های مربوط به تراکنش های نقدی و اعتباری به منظور کلاس بندی و پیش بینی استفاده شده است. نتایج به دست آمده حاکی از آن است که مدل پیشنهادی بیش از 80% توانایی پیش بینی رویگردانی مشتری را داشته و ماشین بردار پشتیبان عملکرد بهتری از درخت تصمیم نشان داده است. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  158 - طراحی مدل زنجیره‌تامین حلقه بسته در شرایط عدم‌اطمینان با در نظر گرفتن انبارهای واسطه ای (بررسی موردی: شرکت خودرنگ)
  Laila Arab sayyed mohammad reza davoodi
  مدیریت‌زنجیره‌تامین، فرآیند برنامه‌ریزی، اجرا و کنترل کارآمد جریان مواد‌اولیه، موجودی‌های در جریان ساخت، محصولات‌نهایی و همچنین جریان اطلاعات مرتبط با آن از تامین مواد اولیه تا تحویل به مصرف کننده نهایی می‌باشد. هدف این تحقیق طراحی یک مدل زنجیره‌تامین حلقه‌بسته در شرایط أکثر

  مدیریت‌زنجیره‌تامین، فرآیند برنامه‌ریزی، اجرا و کنترل کارآمد جریان مواد‌اولیه، موجودی‌های در جریان ساخت، محصولات‌نهایی و همچنین جریان اطلاعات مرتبط با آن از تامین مواد اولیه تا تحویل به مصرف کننده نهایی می‌باشد. هدف این تحقیق طراحی یک مدل زنجیره‌تامین حلقه‌بسته در شرایط عدم‌اطمینان با در نظر گرفتن انبارهای واسطه ای در شرکت خودرنگ می باشد تا با تاثیرآن بر روندتولید و توزیع، برلزوم شناخت هرچه بیشتر این مفهوم و جایگاهی که می‌تواند در توسعه شرکت خودرنگ داشته باشد تاکیدکند. در این تحقیق پس ازجمع‌آوری اطلاعات ومشاوره با کارشناسان شرکت خودرنگ، تا حد امکان بدون لطمه‌زدن به اصل داده‌ها مدل ساده‌سازی گردید و با استفاده ازتکنیک‌های برنامه‌ریزی غیرخطی ، شبکه‌های‌عصبی و با نرم‌افزار‌های متلب و گمز کدگذاری گردید. نتایج این پژوهش در یک محیط بسته و بدون دخالت متغیرهای خارج از مدل، در شرکت خودرنگ نشان می‌دهد مدیران این شرکت توانسته‌اند با پیاده‌سازی معیارهای مربوط به زنجیره‌تامین حلقه‌بسته وپیش‌بینی میزان تقاضا و برگشت محصول، رضایت مشتریان و تامین‌کنندگان عمده خود را فراهم سازند. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  159 - تبیین دسته بندهای ماشین بردار پشتیبان و شبکه عصبی جهت درجه بندی شعب بانک
  davod khosroanjom mohamamd elyasi behzad keshanchi Bahare Boobanian shovana abdollahi
  در صنعت بانکداری اطلاعات زیادی وجود دارد که شناسایی آن از اهمیت ویژه‌ای برخوردار است. استفاده از تکنیک های داده کاوی نه تنها کیفیت را بهبود می بخشد بلکه منجر به مزایای رقابتی و ارتقای جایگاه بازار نیز می گردد. با استفاده از داده کاوی و به منظور تجزیه و تحلیل الگوها و رو أکثر

  در صنعت بانکداری اطلاعات زیادی وجود دارد که شناسایی آن از اهمیت ویژه‌ای برخوردار است. استفاده از تکنیک های داده کاوی نه تنها کیفیت را بهبود می بخشد بلکه منجر به مزایای رقابتی و ارتقای جایگاه بازار نیز می گردد. با استفاده از داده کاوی و به منظور تجزیه و تحلیل الگوها و روندها، بانکها می توانند صحت این را پیش بینی کنند درجه بندی شعب بانک چگونه است. در این مقاله درجه بندی شعب یکی از بانکهای بزرگ تجاری (تعداد شعب انتخاب شده 1825 شعبه و تعداد ویژگی های مورد استفاده 57 ویژگی) با استفاده از دسته بندهای ماشین بردار پشتیبان و شبکه عصبی چند لایه پرسپترون برروی داده های واقعی انجام گرفت. نتایج ارزیابی مربوط به ماشین بردار پشتیبان نشان داد که این دسته بند دارای کارایی پایین تری برای روش پیشنهادی است. اما استفاده از شبکه های عصبی و ترکیب آن با PCA نشان داد که دارای معیارهای کارایی بالایی است. مقادیر مربوط به کارایی و صحت با استفاده از شبکه عصبی با دقت بسیار بالایی بدست آمد. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  160 - 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
  
  161 - 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
  
  162 - 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
  
  163 - بهینه‌سازی توان و وزن چرخدنده‌های ساده به کمک روش‌های بهینه‌سازی فرا ابتکاری و روش‌های اجزا محدود
  محمد صادقی علی سعداله
  چرخدنده‌ها یکی از پرکاربردترین اجزای انتقال و یا تغییر قدرت محسوب میشوند که به وفور در صنعت به چشم میخورند. در طراحی چرخدنده ها، متغیرهای وزن، اندازه و راندمان از عوامل مهم و تاثیرگذار در یک طراحی بهینه محسوب میشوند، هرچند این عوامل گاهی در تضاد با یکدیگر هستند. از اینر أکثر

  چرخدنده‌ها یکی از پرکاربردترین اجزای انتقال و یا تغییر قدرت محسوب میشوند که به وفور در صنعت به چشم میخورند. در طراحی چرخدنده ها، متغیرهای وزن، اندازه و راندمان از عوامل مهم و تاثیرگذار در یک طراحی بهینه محسوب میشوند، هرچند این عوامل گاهی در تضاد با یکدیگر هستند. از اینرو اهمیت بهینه سازی در چرخدنده ها امری ضروری قلمداد میشود. امروزه با توسعه رایانه ها و گسترش نرم افزارهای مهندسی در علم مکانیک می‌توان در هزینه و در ساخت این چرخدنده ها پیشرفت قابل توجه ای کرد. چرخدنده مورد نظر در این تحقیق از نوع چرخدنده ساده است که البته این تحقیق قابلیت بسط به انواع دیگر چرخدنده ها را داراست. در این مقاله از نرم افزار انسیس و زبان برنامه نویسی متلب جهت مدلسازی و بهینه سازی چرخدنده ساده استفاده شده است. در این مطالعه، هدف افزایش بیشترین توان با کمترین وزن ممکن است. متغیرهای طراحی در این مقاله، توان، تعداد دندانه، مدول، و ضخامت چرخدنده هستند که به بهینه‌ترین شکل ممکن با نرم‌افزار متلب بهینه سازی شده اند و سپس با نرم‌افزار انسیس مدل‌سازی و تحلیل مهندسی میشوند. در این میان، قیودی مانند قیود مربوط به تنش‌های موجود، مدول، فاصله دو محور چرخدنده، راندمان، و ضرایب اطمینان نیز در نظر گرفته می‌شوند. نتایج حاصله از برنامه نویسی با خطای بسیار کمی نتایج حاصله از نرم افزار مهندسی را تایید میکند که این مهم مبین قابل قبول بودن مدل ریاضی ارایه شده در این مقاله است. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  164 - مدل‌سازی افزایش سرعت و نرخ نفوذ حفاری در سنگ با کمک شبکه فازی ‏عصبی
  ناصر عبادتی محراب عزیزی
  براساس داده های میدانی، روش های مختلفی برای کاهش هزینه حفاری چاه ها وجود دارد. یکی از این روش ها بهینه سازی پارامترهای حفاری برای به دست آوردن حداکثر نرخ نفوذ (ROP) موجود است. پارامترهای بسیار زیادی بر روی ROP تاثیر می گذارند. هدف اصلی انجام این تحقیق کاربرد شبکه های هو أکثر

  براساس داده های میدانی، روش های مختلفی برای کاهش هزینه حفاری چاه ها وجود دارد. یکی از این روش ها بهینه سازی پارامترهای حفاری برای به دست آوردن حداکثر نرخ نفوذ (ROP) موجود است. پارامترهای بسیار زیادی بر روی ROP تاثیر می گذارند. هدف اصلی انجام این تحقیق کاربرد شبکه های هوشمند برای نرخ نفوذ حفاری است که بدین منظور داده های ورودی چاه اعم از عمق حفاری، مدت زمان عملیات حفاری، سرعت گردش مته، وزن روی مته، وزن و حجم گل حفاری به عنوان داده ورودی و نرخ نفوذ حفاری به عنوان داده خروجی از یکی از میادین واقع در خلیج فارس تهیه شد. 70 درصد داده ها برای آموزش شبکه، 15 درصد داده ها برای اعتبار سنجی و 15 درصد داده ها برای آنالیز حساسیت اختصاص داده شده است. طبق نتایج به دست آمده مشخص شد که با استفاده از این ابزار رابطه خوبی با ضریب همبستگی کل (0.96) برای پیش بینی نرخ نفوذ با استفاده از شبکه عصبی به دست می آید که این نشان دهنده این است که مدل از اعتبار خوبی برخوردار است. همچنین با استفاده از تکرار محاسبات در تکرار 12 بهترین مقدار به دست آمد که این مقدار برابر 14.24 درصد می باشد. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  165 - مدل‌سازی افزایش سرعت و نرخ نفوذ حفاری در سنگ با کمک شبکه فازی ‏عصبی
  ناصر عبادتی روناک پروانه محراب عزیزی
  براساس داده های میدانی، روش های مختلفی برای کاهش هزینه حفاری چاه ها وجود دارد. یکی از این روش ها بهینه سازی پارامترهای حفاری برای به دست آوردن حداکثر نرخ نفوذ (ROP) موجود است. پارامترهای بسیار زیادی بر روی ROP تاثیر می گذارند. هدف اصلی انجام این تحقیق کاربرد شبکه های هو أکثر

  براساس داده های میدانی، روش های مختلفی برای کاهش هزینه حفاری چاه ها وجود دارد. یکی از این روش ها بهینه سازی پارامترهای حفاری برای به دست آوردن حداکثر نرخ نفوذ (ROP) موجود است. پارامترهای بسیار زیادی بر روی ROP تاثیر می گذارند. هدف اصلی انجام این تحقیق کاربرد شبکه های هوشمند برای نرخ نفوذ حفاری است که بدین منظور داده های ورودی چاه اعم از عمق حفاری، مدت زمان عملیات حفاری، سرعت گردش مته، وزن روی مته، وزن و حجم گل حفاری به عنوان داده ورودی و نرخ نفوذ حفاری به عنوان داده خروجی از یکی از میادین واقع در خلیج فارس تهیه شد. 70 درصد داده ها برای آموزش شبکه، 15 درصد داده ها برای اعتبار سنجی و 15 درصد داده ها برای آنالیز حساسیت اختصاص داده شده است. طبق نتایج به دست آمده مشخص شد که با استفاده از این ابزار رابطه خوبی با ضریب همبستگی کل (96/0) برای پیش بینی نرخ نفوذ با استفاده از شبکه عصبی به دست می آید که این نشان دهنده این است که مدل از اعتبار خوبی برخوردار است. همچنین با استفاده از تکرار محاسبات در تکرار 12 بهترین مقدار به دست آمد که این مقدار برابر 24/14 درصد می باشد. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  166 - پیش بینی خردایش ناشی از انفجار در معادن - مطالعه موردی:معدن سنگ آهن گل گهر
  احمد اسدی ایمان عنایت الهی
  حفاری و انفجار تقریباً 30درصد کل هزینههای عملیاتی در معادن روباز را شامل میشود که ایـن مقـدار درصـورت ایجـاد قطعـاتبزرگ سنگ و با توجه به نیاز به انفجارهای ثانویه تا 50درصد نیز افزایش مییابد. انفجـار خـوب تنهـا موجـب کـاهش هزینـههـایمربوط به انفجارهای ثانویه نمیشود بلکه أکثر

  حفاری و انفجار تقریباً 30درصد کل هزینههای عملیاتی در معادن روباز را شامل میشود که ایـن مقـدار درصـورت ایجـاد قطعـاتبزرگ سنگ و با توجه به نیاز به انفجارهای ثانویه تا 50درصد نیز افزایش مییابد. انفجـار خـوب تنهـا موجـب کـاهش هزینـههـایمربوط به انفجارهای ثانویه نمیشود بلکه از دیگر پیامدهای یک انفجار خوب میتوان به کاهش آسیبهـای محـیط زیسـتی، اجـرایآسان مراحل بعد از انفجار یعنی بارگیری، باربری و مراحل خردایش و فرآوری اشاره کرد. با توجه به موارد فوق پیشنهاد مدلی بـرایپیشبینی ابعاد سنگ خرد شده و تخمین پراکندگی خردایش بسیار مهم است و نتایج حاصـله از آن مـیتوانـد بسـیار سـودمند باشـد.در این تحقیق با انجام یکسری انفجار در معدن سنگ آهن گل گهر عوامل انفجاری مـؤثر بـر انفجـار و خـردایش سـنگ، بـه وسـیلهطراحی آزمایش به روش تاگوچی و شبکههای عصبی مورد ارزیابی قرار گرفتند و با اجـرای الگـوی بدسـت آمـده از ایـن دو روشمیزان خردایش به ترتیب / 57 5و 60سانتیمتر بدست آمد که به ابعاد سنگ مورد نیاز معدن گلگهر بسی ر ا نزدیک شد. همچنین برخـیاز مشکلات زیست محیطی با اجرای این الگوی انفجاری کاهش یافت تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  167 - استفاده از روش‌های نوین هوش مصنوعی در بررسی کیفیت منابع آب زیرزمینی (مطالعه موردی: دشت سلماس)
  سمیه امامی یحیی چوپان
  با توجه به تمام پیشرفت های صورت گرفته در مدیریت منابع آب، معضل بررسی کیفیت آب های زیرزمینی اصلی ترین مشکلی است که در اکثر دشت های ایران مشاهده می شود. لذا مدیریت و پایش کیفیت منابع آب از اهمیت بالایی برخوردار است. در این تحقیق سعی شد با به کارگیری دو مدل RBF و GFF شبکه أکثر

  با توجه به تمام پیشرفت های صورت گرفته در مدیریت منابع آب، معضل بررسی کیفیت آب های زیرزمینی اصلی ترین مشکلی است که در اکثر دشت های ایران مشاهده می شود. لذا مدیریت و پایش کیفیت منابع آب از اهمیت بالایی برخوردار است. در این تحقیق سعی شد با به کارگیری دو مدل RBF و GFF شبکه عصبی مصنوعی به پیش بینی و برآورد کیفیت آب های زیرزمینی دشت سلماس پرداخته شود. جهت نیل به این هدف، از داده‌های کیفی آب زیرزمینی مربوط به دشت سلماس در دوره آماری 10 ساله (90-1381) استفاده گردید و نتایج بر اساس استانداردهایویلکاکس،شولرو پایپر موردبررسیقرارگرفت. 70 درصد داده های موجود به منظور آموزش شبکه و از 10 درصد داده ها برای صحت سنجی دو مدل استفاده شد. لذااز20درصدباقی ماندهداده های موجودبرایآزمایششبکهاستفادهگردید. به کارگیری متغیرهای آماری مناسب و کاربردی نشان داد مدل RBF با آموزش Levenberg Marquardt و 4 لایه مخفی قابلیت بالایی در برآورد و پیش بینی کیفیت آب زیرزمینی دارد، هم‌چنین ضریبهم بستگیدر این مدل برابر 88/0 وجذرمیانگینمربعاتخطابرابر 71/29% به دست آمد. هم چنین نتایج استفاده از دیاگرام های مختلف نشان می دهد نمونه هادارایسختیو خورندگی کممی‌باشند. طبقطبقه بندیکلاس ها،اکثر داده ها درکلاس C3S1 قراردارند. براساس نتایج، تمامی منابع آبی منطقه مورد مطالعه، به‌ترتیب برای کشاورزی، شرب و صنعت در حد مناسب، خوب، قابل قبول می‎باشند. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  168 - 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
  
  169 - تخمین ضریب بهره وری ماشین حفر تونل(TBM) با استفاده از شبکه عصبی مصنوعی
  حمیدرضا نجاتی مرتضی احمدی
  پیش بینی سرعت پیشروی ماشین های حفر تونل ،به منظور تعیین برنامه زمانی و برآورد هزینه های اجرایی در پروژه های تونل سازی با حفر مکانیزه،از اهمیت زیادی برخوردار است.برای این منظور لازم است تا ضریب بهره وری ماشین حفر تونل مشخص شده تا بر اساس آن سرعت پیشروی ماشین تعیین شود.اگ أکثر

  پیش بینی سرعت پیشروی ماشین های حفر تونل ،به منظور تعیین برنامه زمانی و برآورد هزینه های اجرایی در پروژه های تونل سازی با حفر مکانیزه،از اهمیت زیادی برخوردار است.برای این منظور لازم است تا ضریب بهره وری ماشین حفر تونل مشخص شده تا بر اساس آن سرعت پیشروی ماشین تعیین شود.اگر چه روابط تجربی متعددی د راین زمینه ارائه شده اند ولی این روابط از دقت بالایی برخوردار نیستند.هدف از انجام این مطالعه تعیین ضریب بهره وری ماشینTBM باز،با استفاده از شبکه عصبی مصنوعی می باشد.برای این منظور مجموعه ای از داده های مربوط به تونل سازی با ماشین TBM باز ،جمع آوری شده و شبکه ای با ورودیهای متفاوت تک محوری فشاری،تنش قائم،فاکتور جهت درزه،نیروی نفوذ تیغه و شاخص کیفیت سنگ بارتن(Q) با خروجی ضریب بهره وری ماشین حفر تونل طراحی شده است.از آنجایی که پارامترهای ورودی شبکه،ارتباط بسیار مناسبی با ضریب بهره وری ماشین حفر تونل دارند شبکه عصبی طراحی شده قادر است با دقت بسیار بالا ضریب بهره وری ماشین حفر تونل را پیش بینی نماید. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  170 - پیش‌بینی الگوی توزیعBemisia tabaci G. (Hem.: Aleyrodidae ) با استفاده از شبکه عصبی مصنوعی بهینه شده توسط الگوریتم حرکت تجمعی ذرات
  علیرضا شعبانی‌نژاد بهرام تفقدی‌نیا
  با پدید آمدن تکنیک ‌های آماری قوی و شبکه‌ های عصبی، مدل ‌های پیش بینی کننده پراکنش آفات به سرعت در اکولوژی توسعه پیدا کرده است. این پژوهش به منظور پیش بینی و ترسیم نقشه توزیع Bemisia tabaci G. با استفاده از شبکه‌ های عصبـی پرسپترون چنـد لایه (MLP) ترکیب شده با حرکت تجمع أکثر

  با پدید آمدن تکنیک ‌های آماری قوی و شبکه‌ های عصبی، مدل ‌های پیش بینی کننده پراکنش آفات به سرعت در اکولوژی توسعه پیدا کرده است. این پژوهش به منظور پیش بینی و ترسیم نقشه توزیع Bemisia tabaci G. با استفاده از شبکه‌ های عصبـی پرسپترون چنـد لایه (MLP) ترکیب شده با حرکت تجمعی ذرات در سطح مزرعه خیار انجام شد. داده ‌های مربوط به جمعیت این آفت از طریق نمونه برداری از 100 نقطه از سطح مزرعه شهرستان رامهرمز در سال 1396 به دست آمد. به منظور ارزیابی قابلیت شبکه‌ های عصبی مورد استفاده در پیش بینی توزیع از مقایسه آماری پارامتر هایی مانند واریانس، توزیع آماری و میانگین بین مقادیر پیش بینی شده مکانی توسط شبکه عصبی و مقادیر واقعی آن‌ ها استفاده شد. نتایج نشان داد که در فاز های آموزش و آزمایش بین مقادیر ویژگی ‌های آماری واریانس، توزیع آماری و میانگین مجموعه داده ‌های واقعی و پیش بینی شده مکانی این آفت توسط شبکه عصبی ترکیب شده، تفاوت معنی داری وجود نداشت. نقشه‌ های ترسیم شده نشان داد که توزیع این آفت تجمعی است و امکان کنترل متناسب با توزیع مکانی را در مزرعه دارد. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  171 - 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
  
  172 - 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
  
  173 - پیش بینی اثر لقی سیستم دوار در حضور و غیاب عیوب مکانیکی با استفاده از شبکه عصبی و الگوریتم ازدحام ذرات
  مجتبی حسنلو
  لقی تکیه گاه های موتور و یاتاقان ها سیستم را با کوپلینگ 4 نوع مختلف عیب ابتدا با استفاده از روش تبدیل سریع فوریه فرکانس ها و جابجایی های عمودی شفت در محل دو یاتاقان استخراج نموده و سپس اثر لقی تکیه گاه ها را در حالت حضور و عدم حضور عیوب دیگر مورد بررسی قرار میگیرد. حال أکثر

  لقی تکیه گاه های موتور و یاتاقان ها سیستم را با کوپلینگ 4 نوع مختلف عیب ابتدا با استفاده از روش تبدیل سریع فوریه فرکانس ها و جابجایی های عمودی شفت در محل دو یاتاقان استخراج نموده و سپس اثر لقی تکیه گاه ها را در حالت حضور و عدم حضور عیوب دیگر مورد بررسی قرار میگیرد. حال برای دستیابی به یک مدل بهینه از شبکه عصبی بهمراه الگوریتم بهینه سازی ازدحام ذرات تک هدفه استفاده می کنیم بدین صورت که یکبار فرکانس های سیستم معیوب و بدون بعنوان ورودی شبکه عصبی معرفی میگردند و خروجی مطلوب آن فرکانس سیستم در حالتی که سیستم هیچ گونه عیبی ندارد مدلسازی می شود و سپس در مرحله بعد فرآیند قبل جهت مدل سازی بیهنه با شبکه عصبی را با استفاده از جابجایی های معیوب(وروی شبکه عصبی) و جابجایی سیستم (ورودی مطلوب) مورد ارزیابی قرار میگیرد. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  174 - 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
  
  175 - مدلسازی لوله های انتقال گاز با شبکه های عصبی مصنوعی به منظور تشخیص عیوب آنها
  علی جودکی مرتضی محمدظاهری احسان جمشیدی
  این مقاله معرفی رویکرد جدید برای عیب یابی خطوط لوله انتقال گاز با استفاده از شبکه عصبی مصنوعی به کمک امواج مکانیکی است که این روش بسیار ارزان تر و آسان تر از روش اولتراسوند است. که در حال حاضر مشغول به کارمی باشد. این خطوط معمولا در شرایط محیطی سخت و دور از دسترس و در م أکثر

  این مقاله معرفی رویکرد جدید برای عیب یابی خطوط لوله انتقال گاز با استفاده از شبکه عصبی مصنوعی به کمک امواج مکانیکی است که این روش بسیار ارزان تر و آسان تر از روش اولتراسوند است. که در حال حاضر مشغول به کارمی باشد. این خطوط معمولا در شرایط محیطی سخت و دور از دسترس و در مسافت های طولانی قرار دارند و استفاده از سیستم های که بصورت آنی و دقیق بتوانند عیب ها و نشتی های این لوله را گزارش دهند حیاتی می باشد.روش ارائه شده شامل مدل سازی یک قطعه لوله 2 اینچی به طول 50 متر در نرم افزار آباکوس6.121است. 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 که شامل ایجاد 15 سوراخ به شعاع یک میلی متر در فاصله های سه متری است بر روی مدل اجزاء محدود انجام شده است.سپس با گرفتن ارتعاشات(شتاب) لوله در حالت سالم و حالت با عیب و انتقال داده ها شتاب به حوزه فرکانس انجام می شود سپس با استفاده از امضای مکانیکی عیوب ،اختلاف شتاب بین دو مدل سالم و معیوب محاسبه می شود.در مرحله بعد با استفاده از تکنیک های آماری داده های بدست آمده را بصورت مطلوب کاهش می دهیم وسپس شبکه عصبی مصنوعی پایه شعاعی (RBFN) و شبکه عصبی مصنوعی پرسپترون چند لایه (MLP) برای تخمین مکانی عیب آموزش داده می شود. نتایج بدست آمده قابلیت شبکه های عصبی طراحی شده در تخمین موقیعت عیب را به خوبی نشان می دهد. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  176 - 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
  
  177 - آشکارسازی تغییرات کاربری اراضی و عوامل مؤثر بر آن با استفاده از شبکه عصبی مصنوعی(مورد مطالعه: شهرستان تالش)
  شهرام امیرانتخابی فرهاد جوان حسن حسنی مقدم
  تهیه و ارزیابی نقشه‌های کاربری اراضی و شناخت توان و استعداد اراضی منبع مهم اطلاعاتی برای اتخاذ سیاست‌های اصولی و تدوین برنامه‌های توسعه به شمار می رود. بنابراین در این تحقیق هدف، آشکارسازی روند تغییرات کاربری اراضی و تعیین عوامل موثر بر آن در شهرستان تالش با استفاده از أکثر

  تهیه و ارزیابی نقشه‌های کاربری اراضی و شناخت توان و استعداد اراضی منبع مهم اطلاعاتی برای اتخاذ سیاست‌های اصولی و تدوین برنامه‌های توسعه به شمار می رود. بنابراین در این تحقیق هدف، آشکارسازی روند تغییرات کاربری اراضی و تعیین عوامل موثر بر آن در شهرستان تالش با استفاده از تصویر ماهواره ای LANDSAT سنجنده +ETM در سال 1382 و تصویر سنجنده OLI مربوط به سال 1396 است. پس از انجام پیش پردازش های لازم، به منظور بالا بردن قدرت تفکیک مکانی تصاویر از روش IHS جهت ادغام تصویر پانکروماتیک و چندطیفی هر دو سنجنده استفاده شد. طبقه بندی تصاویر به صورت نظارت شده و از روی تصاویر ادغام شده که دارای قدرت تفکیک مکانی 15 متر بوده، با الگوریتم شبکه عصبی مصنوعی انجام شد. نتایج نشان داد که کاربری های اراضی جنگلی و کشاورزی در بازه زمانی 14 سال در شهرستان تالش روند کاهشی داشته است و برعکس کاربری های انسان ساخت در حال افزایش است. به دلیل افزایش روبه رشد جمعیت در شهرستان مورد مطالعه و نیز نیاز انسان به فضای بیشتر برای سکونت، منجر به توسعه فیزیکی شهر در جهات پیرامونی خود گردیده است که این عامل موجب بهره برداری از اراضی کشاورزی و جنگلی شده است. بنابراین برای حفظ عرصه‌های طبیعی، تثبیت و قانونی کردن کاربری اراضی در دستور کار متخصصان و مسئولان کشور قرار گیرد. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  178 - پهنه بندی مناطق در معرض پیشروی سطح آب دریا در اثر تغییر اقلیم (مطالعه موردی: بندر شهید رجایی)
  حمید گوهرنژاد
  براساس آخرین یافته‌ها افزایش سطح آب اقیانوس‌ها و دریاها متاثر از پدیده‌ تغییر اقلیم می‌باشد و این افزایش سطح آب دریاهای آزاد اثرات مستقیم بر زندگی ساحل‌نشینان خواهد داشت. در مطالعه حاضر اثرات تغییراقلیم بر افزایش سطح آب در تنگه هرمز مورد بررسی قرار گرفته است. برای پیش‌ب أکثر

  براساس آخرین یافته‌ها افزایش سطح آب اقیانوس‌ها و دریاها متاثر از پدیده‌ تغییر اقلیم می‌باشد و این افزایش سطح آب دریاهای آزاد اثرات مستقیم بر زندگی ساحل‌نشینان خواهد داشت. در مطالعه حاضر اثرات تغییراقلیم بر افزایش سطح آب در تنگه هرمز مورد بررسی قرار گرفته است. برای پیش‌بینی تغییرات سطح آب در منطقه مذکور از متغییرهای اقلیمی استفاده گردیده است که براساس روش رگرسیون گام‌به‌گام انتخاب شده‌اند. اثرات تغییر اقلیم با مدل چرخه عمومی جو تحت عنوان CGCH3 که شامل دو سناریوی تغییر اقلیم A1B و A2 می‌باشد، ارزیابی شده است. برای بررسی ارتباط بین متغیرهای اقلیمی و تغییرات سطح دریا مدل شبکه عصبی مصنوعی-موجک مورد استفاده قرار گرفته است. نتایج بیانگر میزان افزایش سطح آب دریا تا انتهای قرن حاضر در مجاورت تنگه هرمز برای سناریوی تغییر اقلیم A1B بین 64 تا 75 سانتیمتر و برای سناریوی تغییر اقلیم A2 بین 90 تا 105 سانتیمتر می‌باشد. همچنین نواحی ساحلی که تحت تاثیر افزایش ارتفاع آب قرار خواهند گرفت نیز بر روی نقشه مشخص گردید که نشان می‌دهد تغییرات سطح آب در این منطقه دارای آسیب‌پذیری بالایی نخواهد بود. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  179 - 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
  
  180 - 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
  
  181 - آشکارسازی تغییرات کاربری اراضی با استفاده از تصاویر ماهواره ای طی دوره زمانی 2019-1984 (مطالعه موردی شهرستان کامیاران)
  سامان جواهری علی اصغر تراهی
  تغییرات کاربری اراضی در اثر فعالیت های انسانی یکی از موضوعات مهم در برنامه ریزی های منطقه ای و توسعه ای می باشد. با توجه به مزیت ها و قابلیت هایی که داده های ماهواره ای دارند، این تکنولوژی می تواند کمک شایانی به شناسایی و کشف این تغییرات نماید. هدف از این تحقیق آشکارساز أکثر

  تغییرات کاربری اراضی در اثر فعالیت های انسانی یکی از موضوعات مهم در برنامه ریزی های منطقه ای و توسعه ای می باشد. با توجه به مزیت ها و قابلیت هایی که داده های ماهواره ای دارند، این تکنولوژی می تواند کمک شایانی به شناسایی و کشف این تغییرات نماید. هدف از این تحقیق آشکارسازیتغییراتکاربریاراضی شهرستان کامیارانبااستفادهاز تصاویر ماهواره ای طی دوره 35 ساله می باشد. دراینمطالعهازداده های سال 1984سنجنده TM ، 2000 سنجنده ETM+و 2019 سنجنده OLIماهواره لندست استفاده شد. در ابتدا پیش پردازش های اولیه شامل تصحیحات رادیومتری، اتمسفری و هندسی بروی داده خام انجام گرفت. از نقاطکنترلزمینی جهتآموزش،اعتبارسنجیوبرایتهیهنقشهکاربریاراضیاستفادهشد.کلاسکاربری درهرنقطهباپیمایشمیدانیوبااستفادهازتصاویرگوگلارث در 9 کلاس کاربری زمین هایکشاورزی،جنگل ،باغ،مراتعغنی و مشجر،مراتعمتوسط، مناطقمسکونی،پهنهآبی، زمین های بایر و رخنمون سنگیمشخصگردید.در ادامه از روش شبکه عصبی برای طبقه بندی نظارت شده تصاویر در نرم افزار ENVI 5.3استفاده شد. نتایج ارزیابی نشان داد که صحت کلی و ضریب کاپای تصاویر طبقه بندی شده OLI به ترتیب 94.3 و 0.92 درصد، ETM+92.6 و 0.91 درصد و TM90.3 و 0.87 درصد می باشد. نتایج مشخص کرد که اراضی جنگلی و مراتع غنی و مشجرکاهش محسوسی در طی سه بازه زمانی داشته که به ترتیب 11.64 و 19.12 درصد کاهش یافته است. به طوری که مراتع غنی و مشجر تا سال 2000 روندی افزایشی و در بازه زمانی بعدی تا سال 2019 روند کاهشی داشته است. اراضی مسکونی، پهنه آبی و باغات روند افزایشی داشته و به ترتیب 2.27، 0.57 و 3.98 درصد رشد افزایشی داشته است. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  182 - 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
  
  183 - پیش بینی اظهار نظر حسابداران رسمی با استفاده از شبکه های عصبی و رگرسیون لجستیک
  بهرام همتی هاشم نیکومرام فریدون رهنمای رودپشتی رضا فرضی پور صائین
  این پژوهش امکان استفاده از شبکههای عصبی و همچنین رگرسیون لجستیک در پیش بینی نوع اظهار نظر حسابداران رسمی در گزارشهای حسابرسی مربوط به صورتهای مالی سالانه شرکتهای پذیرفته شده در بورس اوراق بهادار تهران را مورد بررسی قرار میدهد. دادههای پژوهش از صورتهای مالی ۱۲۳ شرکت برای أکثر

  این پژوهش امکان استفاده از شبکههای عصبی و همچنین رگرسیون لجستیک در پیش بینی نوع اظهار نظر حسابداران رسمی در گزارشهای حسابرسی مربوط به صورتهای مالی سالانه شرکتهای پذیرفته شده در بورس اوراق بهادار تهران را مورد بررسی قرار میدهد. دادههای پژوهش از صورتهای مالی ۱۲۳ شرکت برای دوره زمانی ۱۳۸۰ الی ۱۳۸۹ استخراج شده است. روش تحقیق از نوع همبستگی و با استفاده از شبکه عصبی چند لایه پرسپترون و همچنین رگرسیون لجستیک باینری انجام شده است یافته های پژوهش نشان میدهد که توان پیش بینی نوع اظهار نظر حسابرسان با استفاده از شبکه عصبی بالاتر از رگرسیون لجستک است. همچنین تحقیق نشان میدهد که متغیر نوع اظهار نظر حسابرسان در سال گذشته بسیار بیشتر از سایر متغیرها بر نوع اظهار نظر تأثیر داشته است. این بدان معنی است که وجود رقابت ناسالم و کاهش غیر منطقى حق الزحمه حسابرسی (دامپینگ برای جذب کار حسابرسان دیگر باعث فشار بر گروههای حسابرسی و صرف وقت کمتر برای اجرای حسابرسی شده ، در نتیجه سطح کیفیت کار حسابرسی پایین آمده و حسابرسان برای تهیه گزارشهای حسابرسی از مطالب مندرج در گزارشهای حسابرسی سال گذشته استفاده میکنند بنابراین نوع اظهار نظر حسابرسان عمدتاً مشابه نوع اظهار نظر سال قبل آنها میباشد. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  184 - تحلیل تغییرات کاربریهای اراضی نواحی حاشیه زاینده رود با مدلسازی در سامانه اطلاعات جغرافیایی (بازه چم خلیفه تا سامان شهرکرد)
  علی اکبر جمالی سید علی المدرسی احسان ایزدی
  امروزه رشد سریع جمعیت شهری جهان به خصوص در کشورهای در حال توسعه مشکلات فراوانی در حوزه های مختلف ایجاد کرده است. در این میان بحث تغییر کاربری اراضی از اهمیت بسیار بالایی برخوردار است. جایگاه مدل سازی و پیش بینی تغییرات کاربری اراضی در اینده برای مدیریت شهری و محیط زیست أکثر

  امروزه رشد سریع جمعیت شهری جهان به خصوص در کشورهای در حال توسعه مشکلات فراوانی در حوزه های مختلف ایجاد کرده است. در این میان بحث تغییر کاربری اراضی از اهمیت بسیار بالایی برخوردار است. جایگاه مدل سازی و پیش بینی تغییرات کاربری اراضی در اینده برای مدیریت شهری و محیط زیست و سایر مسئولین و محققان ذی ربط بیش از پیش اهمیت پیدا کرده است. هدف اصلی در این تحقیق به کارگیری مدل خودکاره های سلولی و شبکه عصبی بر مبنای سیستم اطلاعات مکانی جهت شبیه سازی و پیش بینی تغییر کاربری اراضی می باشد. آماده سازی تصاویر ماهواره ای لندست در سه دوره زمانی اواخر خرداد1986، 2001و 2016شد. سپس نقشه های کاربری اراضی محدوده مورد مطالعه با طبقه بندی نقشه ها حاصل شد. برای عمل طبقه بندی از الگوریتم طبقه بندی حداکثر احتمال که از گروه طبقه بندی نظارت شده است استفاده شد.مدل های ایجاد شده حاصل از خودکاره سلولی-مارکوف و شبکه عصبی پرسپترون برای پیش بینی و روند و برای تحلیل تغییرات کاربری اراضی تا سال 2031 اجرا شد. نتایج پیش بینی نشان داد از سال 2016 تا سال 2031 کاربری فضای سبز، مسکونی شهری افزایش و کاربری کشاورزی و زمین های باز و بایر نیز کاهش یافته است. این مطالعه به طور کلی نشان دهنده کاهش زمین های باز و کشاورزی و گسترش مسکونی و شهر در سال 2031 خواهد بود که بر اثر از بین رفتن اراضی کشاورزی و پوشش گیاهی حاصل شده است. اقتصاد منطقه که بر مبنای تولیدات کشاورزی و دامی قرار دارد، با وضعیت بهره وری کنونی در سال 2031 با تهدید روبرو خواهد شد. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  185 - 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
  
  186 - 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
  
  187 - کاربرد الگوریتمهای مختلف یادگیری در پیشبینی قیمت سهام با استفاده از شبکه عصبی
  رضا کیانی ماوی کامران صیادی نیک
  پیشبینی قیمت سهام یکی از موضوعهای مهم مالی است، چرا که دادههای قیمت سهام دارای تغییر پذیری زیاد، پیچیدگی، دینامیک و آشوبگونه است،بنابراین ارتباط نامشخص بین قیمت سهام و عوامل مؤثر کاملا پویا است. بنابراین مسأله پیشبینی قیمت سهام تنها بوسیله یک برنامه کامپیوتری کاردشواری أکثر

  پیشبینی قیمت سهام یکی از موضوعهای مهم مالی است، چرا که دادههای قیمت سهام دارای تغییر پذیری زیاد، پیچیدگی، دینامیک و آشوبگونه است،بنابراین ارتباط نامشخص بین قیمت سهام و عوامل مؤثر کاملا پویا است. بنابراین مسأله پیشبینی قیمت سهام تنها بوسیله یک برنامه کامپیوتری کاردشواری است.در این تحقیق، ابتدا بوسیله آزمون گردش، امکان پیشبینی قیمت سهام شرکت صنایع ملی مس ایران بررسی گردید. سپس رابطه همبستگی هشتبرای پیشبینی یک روز بعد قیمت سهام با الگوریتم یادگیری لونبرگ- MLP متغیر بنیادی و فنی مورد بررسی قرارگرفت. سپس از شبکهی عصبی0/ استاندارد آموزش داده شد که نرخ یادگیری 3 BP 6 با الگوریتم -5- یعنی 1 MLP مارکوارت استفاده شد. پس از آن ساختار بهینه شبکه عصبیاستاندارد به مینیممهای محلی محاسبه گردید و در آخر برای رهایی از BP بهترین عملکرد را داشته است و برای این نرخ یادگیری حساسیت الگوریتماستاندارد همراه با مومنتم استفاده شده است. نتایج بدست آمده نشان داد که پیشبینی بوسیله BP این حساسیت به مینیممهای محلی از الگوریتماستاندارد می باشد. BP استاندارد همراه با مومنتم بهتر از BP الگوریتم تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  188 - 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
  
  189 - ارزیابی ریسک اعتباری در سیستم‌های بانکی با استفاده از تکنیک‌های داده‌کاوی
  نیما همتا محمد احسانی‌فر بهاره محمدی
  این مقاله با هدف شناسایی عوامل مؤثر بر ریسک اعتباری و ارائه مدلی جهت پیش بینی ریسک اعتباری و رتبه بندی اعتباری مشتریان حقوقی متقاضی تسهیلات بانک سپه شهرستان دزفول، با استفاده از روش های خوشه بندی، شبکه عصبی و ماشین بردار پشتیبان انجام گرفته است. در این مقاله، 27 متغیر ت أکثر

  این مقاله با هدف شناسایی عوامل مؤثر بر ریسک اعتباری و ارائه مدلی جهت پیش بینی ریسک اعتباری و رتبه بندی اعتباری مشتریان حقوقی متقاضی تسهیلات بانک سپه شهرستان دزفول، با استفاده از روش های خوشه بندی، شبکه عصبی و ماشین بردار پشتیبان انجام گرفته است. در این مقاله، 27 متغیر توضیح دهنده شامل متغیرهای مالی و غیرمالی مورد بررسی قرار گرفت که از بین این متغیرها، 8 متغیر تأثیرگذار بر ریسک اعتباری انتخاب گردید که به وسیله روش خوشه بندی مجموعه داده ها به خوشه ها دسته بندی شدند. هم چنین متغیرهای انتخابی به عنوان بردار ورودی شبکه عصبی پرسپترون 3 لایه وارد مدل شد و در نهایت با استفاده از ماشین بردار پشتیبان، به منظور پیش بینی عملکرد مالی مشتریان حقوقی بانک ارائه گردید. نتایج حاصل از مدل شبکه عصبی و ماشین بردار پشتیبان حاکی از آن است که مدل شبکه عصبی در پیش بینی ریسک اعتباری مشتریان حقوقی و رتبه بندی اعتباری از کارایی بیشتری برخودار است. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  190 - 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
  
  191 - 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
  
  192 - بررسی ارتباط الگوهای پیوند از دور اقیانوس اطلس شمالی و میانگین حوضه دریای مازندران
  ایرج حیدری امیر گندمکار محسن باقری
  پژوهش حاضر با هدف بررسی تأثیر الگوهای پیوند از دور بر میانگین دمای حوضه آبریز دریای مازندران صورت پذیرفته است. در این راستا از آمار میانگین دمای 97 ایستگاه همدیدی و اقلیم شناسی و همچنین داده های 33 الگوی پیوند از دور طی دوره 2014- 1970 در مقیاس ماهانه و سالانه استفاده ش أکثر

  پژوهش حاضر با هدف بررسی تأثیر الگوهای پیوند از دور بر میانگین دمای حوضه آبریز دریای مازندران صورت پذیرفته است. در این راستا از آمار میانگین دمای 97 ایستگاه همدیدی و اقلیم شناسی و همچنین داده های 33 الگوی پیوند از دور طی دوره 2014- 1970 در مقیاس ماهانه و سالانه استفاده شد. پس از تایید نرمال بودن داده ها توسط آزمون ران تست داده های ایستگاهی به روش کریجینگ به داده های نقطه ای با ابعاد 7/19 × 7/19 کیلومتر تبدیل شدند. به منظور ارتباط سنجی متغیرها از آزمون های پیرسون، رگرسیون خطی و مدل شبکه عصبی استفاده شد. نتایج حاصل نشان داد الگوهای واقع در اقیانوس هند و آرام و الگوهای نیمکره جنوبی، رابطه معنی دار چندانی با نوسان های دما در حوضه مازندران ندارد. در مقابل، الگوهای پیوند از دور مستقر در اقیانوس اطلس و قطب شمال ارتباط زیادی با نوسان های دما در حوضه دارد. شایان ذکر است از بین الگوهای پیوند از دور سه الگوی دریای شمال- کاسپین، نوسان اطلس شمالی و نوسان قطبی بیشترین رابطه را با نوسان های دمای ماهانه و سالانه در این حوضه دارند. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  193 - مقایسه عملکرد شبکه عصبی و رگرسیون چند متغیره در تخمین قیمت مسکن (مطالعه موردی: شهر اهواز)
  سعید امانپور اسماعیل سلیمانی راد لیلا کشتکار صادق مختاری
  مسکن همواره نیازی اساسی در جامعه تلقی می‌گردد. بازار مسکن طی سال‌های گذشته یکی از پرنوسان-ترین بخش‌های اقتصاد کشور ایران بوده است. از آنجایی که نغییرات بخش مسکن تاثیر فراوانی بر سایر بخش‌های اقتصاد دارد بنابراین یکی از نیازهای قابل توجه در امر مسکن، پیش‌بینی دقیق قیمت ا أکثر

  مسکن همواره نیازی اساسی در جامعه تلقی می‌گردد. بازار مسکن طی سال‌های گذشته یکی از پرنوسان-ترین بخش‌های اقتصاد کشور ایران بوده است. از آنجایی که نغییرات بخش مسکن تاثیر فراوانی بر سایر بخش‌های اقتصاد دارد بنابراین یکی از نیازهای قابل توجه در امر مسکن، پیش‌بینی دقیق قیمت این کالا می-باشد. در این راستا در پژوهش حاضر با استفاده از شبکه عصبی مصنوعی پرسپترون چند لایه، مدلی برای پیش‌بینی قیمت مسکن در شهر اهواز ارائه و نتایج آن با مدل رگرسیون چند متغیره مقایسه گردیده است. نوع تحقیق توسعه‌ای–کاربردی و روش انجام آن توصیفی- تحلیلی می‌باشد. به این منظور 233 نمونه واحد آماری در سال 1392 بر اساس 16 متغیر مربوطه مورد ارزیابی قرار گرفت. نتایج نشان داد که شبکه عصبی پرسپترون چند لایه با دقت 91 درصدی نسبت به رگرسیون چند متغیره دارای دقت بیشتری در پیش‌بینی قیمت مسکن بوده است. همچنین جهت ارزیابی عملکرد مدل‌ها از ضرایب ، RMSE استفاده شد. ضریب تبیین ( ) با استفاده از رگرسیون چند متغیره 789. و مقدار آن برای شبکه عصبی 918. می‌باشد. نتایج ارزیابی مدل رگرسیون مبین عملکرد ضعیف‌تر این مدل در مقایسه با روش شبکه عصبی مصنوعی است. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  194 - تبیین الگوی بهینه شهر هوشمند با تأکید بر بهبود ساختار تجاری با مدل شبکه عصبی در شهر یزد
  امیر پوررجایی سید علی المدرسی محمدحسین سرائی احمد استقلال
  رشد هوشمند به‌عنوان راهبردی جامع برای مقابله با گسترش پراکنده و کم تراکم مناطق پیرامونی شهرها مطرح شد. هدف این تحقیق اولویت‌بندی مناطق مختلف قلمرو پژوهش و شناسایی مناطق دارای استعداد هوشمندسازی به‌منظور اعمال راه‌کارهای مدیریتی بوده است. برای دستیابی به هدف مذکور از 8 م أکثر

  رشد هوشمند به‌عنوان راهبردی جامع برای مقابله با گسترش پراکنده و کم تراکم مناطق پیرامونی شهرها مطرح شد. هدف این تحقیق اولویت‌بندی مناطق مختلف قلمرو پژوهش و شناسایی مناطق دارای استعداد هوشمندسازی به‌منظور اعمال راه‌کارهای مدیریتی بوده است. برای دستیابی به هدف مذکور از 8 متغیر اصلی تراکم جمعیت، سرانه کاربری تجاری، کاربری دفاتر پیشخوان، نوع پوشش اینترنت و شبکه معابر، سرانه کاربری مسکونی،کاربری پارکینگ، کاربری بانک استفاده شد. جهت مدل‌سازی و ارزیابی اعتبار مدل تعداد 151 نقطه GPS، برداشت شد. لایه‌های اطلاعاتی جهت ورود به مدل رستری و با روش شبکه عصبی مناطق مستعد هوشمندسازی شهر یزد مدل‌سازی شد. نتایج تحقیق رگرسیون بالای 70 درصد را در مرحله آموزش و تست نشان داد. در اعتبار سنجی مدل سطح زیر منحنی AUC که درواقع نشان‌دهنده توانایی مدل در پیش‌بینی متغیر وابسته است 0.9769 به دست آمد که بسیار مناسب بوده است. پارامترهای MSE، RMSE و R_Correlation_Test و R2 نیز به ترتیب 0.0389، 0.1972 ، 0.8517 و 0.8912 به دست آمد. در انتها وزن شاخص‌ها متغیرهای وابسته تحقیق پیش‌بینی شد. نتایج پهنه‌بندی نقشه نهایی مساحت قابلیت خیلی کم در هوشمندسازی را 78/4013 نشان داد که گویایی این مطلب است زیرساخت‌ها در این محدوده باید جهت هوشمندسازی تقویت گردد. مناطق با قابلیت خیلی زیاد نیز با مساحت 31/687 قابل‌توجه بوده است. با بررسی نقشه مدل‌سازی و نقاط GPS برداشتی مناطق مستعد هوشمندسازی، انطباق بالایی در مدل‌سازی انجام‌شده و نقاط برداشت میدانی مشاهده شد. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  195 - مطالعه وارزیابی دما شهر الشتر براساس مدل شبکه عصبی مصنوعی
  مهناز حسنوند رضا برنا منیژه ظهوریان پردل علیرضا شکیبا
  این تحقیق به منظور بررسی تغییر اقلیم در ناحیه غربی ایران استان لرستان شهرستان الشتر بر مبنای ارزیابی و پیش بینی تغییرات دما صورت گرفته است. هدف از این پژوهش "مدل سازی برای پیش‌بینی میانگین دمای ماهانه فصلی ایستگاه‌های منتخب استان لرستان به ویژه منطقه الشتر می‌باشد. شناس أکثر

  این تحقیق به منظور بررسی تغییر اقلیم در ناحیه غربی ایران استان لرستان شهرستان الشتر بر مبنای ارزیابی و پیش بینی تغییرات دما صورت گرفته است. هدف از این پژوهش "مدل سازی برای پیش‌بینی میانگین دمای ماهانه فصلی ایستگاه‌های منتخب استان لرستان به ویژه منطقه الشتر می‌باشد. شناسایی و آشکار سازی پهنه‌های آسیب‌پذیر با زیر ساخت‌هایی از قبیل کشاورزی؛ هیدرولوژی؛ حمل و نقل نواحی شهرستان در شرایط تغییر اقلیم می‌باشد. و با توجه به عدم وجود ودر دسترس نبودن دیتای سری زمانی 30 ساله‌ی الشتر لذا از شهرستان‌های همجوار از جمله ایستگاه‌های سینوپتیک خرم آباد -الشتر -بروجرد استفاده شده است در همین رابطه آمار 30ساله (1989-2019) تعداد سه ایستگاه سینوپتیک فوق‌الذکر استان لرستان مورد مطالعه و بررسی قرارگرفت و تغییرات معنی دار دماهای بیشینه و کمینه متوسط و همچنین دامنه شبانه‌روزی دما (dtr)که بیان گر اختلاف مقادیر دماهای بیشینه و کمینه می‌باشد در دو مقیاس زمانی فصلی و سالانه مورد تجزیه وتحلیل قرار گرفت. بدین منظور؛ ابتدا دوره مطالعاتی در بازه زمانی ۲۰ ساله و۳۰ ساله تقسیم شده و با توجه به میزان تغیرات دما؛ دوره نرمال اقلیمی برای کلیه ایستگاه‌ها استخراج گردید. سپس مقادیر میانگین داده‌ها؛ با استفاده از مدل شبکه عصبی مصنوعی توانایی زیادی در شبیه‌سازی و پیش‌بینی عناصر جوی و آب و هوایی به ویژه دما دارد. پکیج fore gast استفاده شده است. نرم ابزار برنامه نویسیr دو نمونه مورد مقایسه قرارگرفت و اختلاف‌های معنی‌دار سطح اطمینان ۹۵٪و۸۰٪ مشخص شدند. در این رابطه؛ بیشترین و کمترین تفاوت میانگین دوره‌ها؛ به ترتیب به دماهای کمینه و بیشینه اختصاص یافت همچنین روند داده‌ها در بازه زمانی ۲۰ ساله اخیر نیز مورد بررسی قرار گرفت و بر اساس نتایج آن؛ دماهای متوسط؛ بیشینه و کمینه دارای روندی افزایشی بوده است. از نظر فصلی نیز زمستان شدیدترین تغییرات را در منطقه در برداشته است میزان موارد اختلاف بین بازه زمانی ۲۰ ساله و بازه‌های ۳۰ (دوره نرمال) ۳۰ ساله به ترتیب ۹۵ درصد و۸۰ درصد می‌باشد. در بازه ۲۰ساله اخیر؛ بیشترین و کمترین روند معنی دار ایستگاه‌ها؛ به ترتیب در فصول تابستان و پاییز مشاهده گردید. دوره اقلیم تحت دو سناریوی nnar"foregast گزارش و استخراج شد. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  196 - 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
  
  197 - ارزیابی پایداری زیست محیطی با تأکید بر خشکسالی و منابع آب با استفاده از فن چند معیاره شبکه عصبی مصنوعی( مطالعه موردی شهر بابک )
  محمد ابراهیم عفیفی احمد منگلی میدوک علی وخشوری
  در این پژوهش ابتدا از طریق مطالعه پژوهش اقدام به شناسایی معیارها و زیرمعیارهای که در جهت پایداری زیست محیطی موثر است شد. پس از پایان مراحل دلفی ، معیارهای منابع و خدمات محیط ، سلامت محیط و انرژی به عنوان مهمترین معیارهای ارزیابی پایداری زیست محیطی در شهر بابک انتخاب گرد أکثر

  در این پژوهش ابتدا از طریق مطالعه پژوهش اقدام به شناسایی معیارها و زیرمعیارهای که در جهت پایداری زیست محیطی موثر است شد. پس از پایان مراحل دلفی ، معیارهای منابع و خدمات محیط ، سلامت محیط و انرژی به عنوان مهمترین معیارهای ارزیابی پایداری زیست محیطی در شهر بابک انتخاب گردیدند سپس با استفاده از مدل شبکه عصبی به تحلیل و ارزیابی پایداری زیست محیطی شهر بابک پرداخته شد. در این مطالعه خشکسالی در شهر بابک را طی یک دوره آماری سی و دو ساله 1361 - 1392 با شاخص SPI خشکسالی مورد تجزیه و تحلیل قرار گرفت. این شاخص به طور خاص برای سری‌های زمانی شش؛ دوازده و چهل و هشت ماهه محاسبه شد. که شهر بابک طی دوره آماری سی و دوساله و بویژه هفت ساله اخیر مواجه با خشکسالی بوده که در مقیاس سالانه شش ماهه بیشتر خشکسالی‌های آن از نوع خشکسالی‌های ضعیف تا متوسط است. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  198 - 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
  
  199 - پهنه‌بندی خطر ناپایداری‌های دامنه‌ای در جاده‌های کوهستانی با استفاده از شبکه عصبی مصنوعی(MLP)مطالعه موردی:( تنگه دره دیز)
  شهرام روستائی فاطمه خدائی
  تنگه دره دیز یکی از مخاطره آمیزترین تنگه های استان آذربایجان شرقی، از لحاظ وقوع ناپایداری های دامنه ای است. با توجه به انطباق این تنگهبا تنها جاده ارتباطی شهرستان مرند – جلفا، یکی از بهترین راه های نگهداری وحفظ امنیت این مسیر، شناسایی مناطق و نقاط بحرانی و به عبار أکثر

  تنگه دره دیز یکی از مخاطره آمیزترین تنگه های استان آذربایجان شرقی، از لحاظ وقوع ناپایداری های دامنه ای است. با توجه به انطباق این تنگهبا تنها جاده ارتباطی شهرستان مرند – جلفا، یکی از بهترین راه های نگهداری وحفظ امنیت این مسیر، شناسایی مناطق و نقاط بحرانی و به عبارتی پهنه بندی خطر وقوع ناپایداری دامنه ای این تنگه است. در این راستا در ابتدا داده های مورد نیاز جمع آوری و سپس پردازش گردیدند و سپس لایه های اطلاعاتی لازم در محیطGIS، تهیه گردیده و سپسنقشه پهنه بندی خطر ناپایداری در نرم افزار IDRISIو در محیط شبکه عصبی مصنوعی پرسپترون چند لایه (MLP) با ساختار 1-10-15تهیّه گردید و مناطق مستعد وقوع خطر ناپایداری های دامنه ای درمحدوده مورد مطالعه در پنج کلاس خطربسیار بالا، بالا، متوسط، پایین و بسیارپایین مشخص شد. بر طبق نتایج حاصل عواملی مانند شیب و فاصله از گسل مهمترین عوامل تاثیر گذار در وقوع ناپایداری های دامنه ای در تنگه دره دیز و در نهایت سبب ناامنی هر چه بیشتر جاده می باشند. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  200 - ارزیابی اثرات تغییر اقلیم بر منابع آب حوضه آبریز لار با استفاده از مدل SWAT و مقایسه نتایج آن با شبکه‌های بیزین و مدل‌های هوشمند هیبریدی
  مهسا سلیمانی‌پور امیرپویا صراف
  قرار گرفتن ایران بر کمربند خشک و نیمه‌خشک دنیا و همچنین سوء مدیریت منابع آبی، سبب ایجاد وضعیت هشدار دهنده کمبود آب در بسیاری از مناطق کشور شده است. پژوهش حاضر آثار ناشی از تغییر اقلیم را بر دما، بارندگی و رواناب در دوره‌های آتی با کمک مدل آماری LARS-WG و مدل مفهومی هیدر أکثر

  قرار گرفتن ایران بر کمربند خشک و نیمه‌خشک دنیا و همچنین سوء مدیریت منابع آبی، سبب ایجاد وضعیت هشدار دهنده کمبود آب در بسیاری از مناطق کشور شده است. پژوهش حاضر آثار ناشی از تغییر اقلیم را بر دما، بارندگی و رواناب در دوره‌های آتی با کمک مدل آماری LARS-WG و مدل مفهومی هیدرولوژیکی SWAT برای حوضه آبریز لار مورد ارزیابی قرار می‌دهد. برای تخمین میزان دبی جریان رودخانه، به بررسی قابلیت عملکرد شبکه بیزین و مدل ترکیبی موجک - شبکه عصبی هم پرداخته می‌شود. پس از واردکردن اطلاعات بارش و دمای منطقه، نسبت به شبیه‌سازی رواناب برای دو ایستگاه هیدرومتری گزلدره و پلور اقدام شده و رواناب خروجی ایستگاه پلور به‌عنوان نقطه کنترل بین سال‌های (۱۹79-۲۰۱8) مورد واسنجی و اعتبارسنجی قرار گرفت. به‌منظور ارزیابی کارایی از معیارهای ضریب تبیین و نشر - سا تکلیف استفاده شده است. طبق پیش‌بینی مدل‌های اقلیمی، بیشترین افزایش دما در دوره انتهایی و تحت سناریوی اقلیمی RCP8.5 حدود ۱۰ درصد افزایش دما در فصل بهار و زمستان را نشان می‌دهد. در نهایت از بین این مدل‌ها، مدل فیزیکی با پیش‌بینی متوسط سالیانه 6.04 مترمکعب بر ثانیه با توجه به دوره مشاهداتی، کاهش رواناب را نشان داد. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  201 - بررسی تغییرات زمانی بارش در استان همدان با استفاده از مدلهای آماری و شبکه عصبی مصنوعی
  زهره مریانجی حامد عباسی
  تغییر اقلیم یکی از معضلهای کنونی جامعه بشری است و تهدید و بلای سیاره زمین به شمارمیآید افزایش دمای کره زمین سبب تغییرات ژرف و وسیع در اقلیمهای زمین شده و باعثبروز تغییراتی در زمان و مکان بارش می شود که آسیبهای بسیاری را خصوصاً در دهه اخیروارد کرده است. در این راستا این أکثر

  تغییر اقلیم یکی از معضلهای کنونی جامعه بشری است و تهدید و بلای سیاره زمین به شمارمیآید افزایش دمای کره زمین سبب تغییرات ژرف و وسیع در اقلیمهای زمین شده و باعثبروز تغییراتی در زمان و مکان بارش می شود که آسیبهای بسیاری را خصوصاً در دهه اخیروارد کرده است. در این راستا این پژوهش با شناخت تغییرات و روند فصل و دوره بارش درگذشته به الگوهای مؤثر بارش در بازههای مختلف زمانی میپردازد و پیش بینی تغییرات درآینده را از روش شبکه عصبی مصنوعی امکان پذیر میکند. در انجام این پژوهش از دادههای- دو ایستگاه سینوپتیک همدان و نوژه استفاده شده دوره آماری مورد مطالعه نیز 92 ساله ) 324924 ( انتخاب شده است. بر اساس یافتههای این پژوهش به نظر میرسد فصل بارندگی درناحیه مرکزی استان همدان در دهه اخیر دیرتر آغاز و دیرتر به پایان میرسد به عبارتی آغازفصل بارندگی در همدان که در فصل پاییز رخ میداد به سمت زمستان میرود و فصل پاییزخشکتر از دورههای قبل است این نشان از جابه جایی فصل بارندگی در این ناحیه است. دراستفاده از روش شبکه عصبی توجه به دو نکته مهم در پیشبینی بارش ضروری به نظرمیرسد یکی دقت پایین شبکه عصبی در پیش بینی دراز مدت بارش است اگر چه این روشدر پیش بینیهای کوتاه مدت دقت بهتری دارد و دیگری اغراق در مقادیر حداقل و حداکثربارش در فصول مختلف سال است. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  202 - تحلیل ارتباط الگوهای پیوند از دور با خشک‌سالی حوضه قره‌قوم با استفاده از مدل شبکه عصبی
  مونا فلاح‌زاده پرویز رضایی سعید اسلامیان علیرضا عباسی
  در این پژوهش نقش الگوهای پیوند از دور در رخداد خشک‌سالی‌های حوضه قره‌قوم مورد بررسی قرار گرفته است. در این راستا داده‌های بارش 30 ایستگاه باران‌سنجی و سینوپتیک و نیز داده‌های مربوط به 32 نمایه عددی پیوند از دور از سایت نوآ طی دوره آماری 1987-2013 اخذ گردید. در ابتدا داد أکثر

  در این پژوهش نقش الگوهای پیوند از دور در رخداد خشک‌سالی‌های حوضه قره‌قوم مورد بررسی قرار گرفته است. در این راستا داده‌های بارش 30 ایستگاه باران‌سنجی و سینوپتیک و نیز داده‌های مربوط به 32 نمایه عددی پیوند از دور از سایت نوآ طی دوره آماری 1987-2013 اخذ گردید. در ابتدا داده‌های شاخص بارش استاندارده شده با روش تحلیل عاملی طبقه‌بندی، سپس رابطه میانگین شاخص خشک‌سالی هر پهنه با تک تک الگوهای پیوند از دور ارزیابی شد. همچنین مقادیر شاخص خشک‌سالی با شاخص‌های از دور به روش شبکه عصبی مصنوعی شبیه‌سازی گردید. نتایج نشان داد 5 شاخص پیوند از دور نوسان دهه‌ای اقیانوس آرام، نینو4، چند متغیره انسو، دو قطبی اقیانوس هند و نوسان مادن جولیان در منطقه 1 اقیانوس آرام با پهنه اول (عامل اول) در مقیاس زمانی 6 ماهه در ارتباط بوده و بهترین نتایج را با کمترین خطا و بیشترین ضریب همبستگی ارائه داده‌اند. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  203 - پیش‌بینی بارش فصلی با حداقل متغیرهای اقلیمی مطالعه موردی: ایستگاه کرمان
  فاطمه بیاتانی غلام عباس فلاح قالهری الهام فهیمی نژاد
  پیش بینی بارش و برآورد نزولات جوی، به عنوان یکی از مهم‌ترین پارامترهای اقلیمی در حوزه مدیریت منابع آبی، از اهمیت ویژه ای برخوردار است. بنابراین در این مقاله، امکان کاربرد شبکه عصبی در برآورد بارش با حداقل پارامترهای اقلیمی مورد بررسی قرار گرفت. به این منظور از شبکه عصبی أکثر

  پیش بینی بارش و برآورد نزولات جوی، به عنوان یکی از مهم‌ترین پارامترهای اقلیمی در حوزه مدیریت منابع آبی، از اهمیت ویژه ای برخوردار است. بنابراین در این مقاله، امکان کاربرد شبکه عصبی در برآورد بارش با حداقل پارامترهای اقلیمی مورد بررسی قرار گرفت. به این منظور از شبکه عصبی پرسپترون چند لایه با قانون پس انتشار خطا و الگوریتم سیگموئید همراه با داده های میانگین رطوبت نسبی(meanHR)، کمینه رطوبت نسبی (minHR)، بیشینه رطوبت نسبی (maxHR)، میانگین دما (meanT)، کمینه دما (minT)، بیشینه دما (maxT)، میانگین فشار (meanP)، کمینه فشار (minP) و بیشینه فشار (maxP) ماه اکتبر ایستگاه هواشناسی سینوپتیک کرمان، طی دوره آماری 2014-1969 به عنوان ورودی مدل استفاده گردید. نتایج نشان داد در صورت کمبود پارامترهای اقلیمی، تنها با اندازه گیری minT و meanT می‌توان با خطایی معادل 8/9 میلیمتر، برآورد مناسبی از بارش با استفاده از شبکه های عصبی مصنوعی در منطقه مورد مطالعه به دست آورد. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  204 - پیش بینی وقوع بارش روزانه با استفاده از داده های هواشناسی روزهای قبل (مطالعه موردی: شهر اصفهان)
  قربان مهتابی فرشید تاران سعید مظفری
  هدف از این تحقیق، پیش بینی وقوع بارش روزانه شهر اصفهان با استفاده از داده های هواشناسی 1 تا 7 روز قبل می باشد. برای این منظور،داده های هواشناسی دوره 2009-2000 با استفاده از مدل های هوشمند بردار پشتیبان، k-نزدیک ترین همسایگی، شبکه عصبی مصنوعی و درخت تصمیم بررسیگردید. نتا أکثر

  هدف از این تحقیق، پیش بینی وقوع بارش روزانه شهر اصفهان با استفاده از داده های هواشناسی 1 تا 7 روز قبل می باشد. برای این منظور،داده های هواشناسی دوره 2009-2000 با استفاده از مدل های هوشمند بردار پشتیبان، k-نزدیک ترین همسایگی، شبکه عصبی مصنوعی و درخت تصمیم بررسیگردید. نتایج نشان داد که در هر چهار روش، دقت پیش بینی بهترین سناریوها با استفاده از داده های 6 و 7 روز قبل، کمتر از 75 درصد بود، اما با استفاده از داده های روزهای 1 تا 5 روز قبل، بارش روزانه با دقت بیش از 80 درصد پیش بینی شد. عملکرد روش درخت تصمیم بهتر از سه روش دیگر بود و به علت ارائه درخت تصمیم گیری، نتایج سناریوهای 1 تا 5 روز قبل این روش ارائه شد. نتایج سناریوها با استفاده از داده های 1 تا 3 روز قبل نشان داد که رطوبت نسبی هوا مناسب ترین پارامتر برای پیش بینی وقوع بارش روزانه است، اما در شرایط استفاده از داده های 4 و 5 روز قبل، دمای هوا مناسب ترین پارامتر برای انجام پیش بینی بود. در نهایت عملکرد بهترین سناریوها با استفاده از داده های دوره 2016-2010 صحت سنجی گردید. بهترین نتایج در بخش صحت سنجی به ترتیب مربوط به سناریوی 1 روز قبل(با پارامتر حداقل رطوبت نسبی) و سناریوی 4 روز قبل(با پارامتر دمای حداکثر) بود. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  205 - مقایسه مدل های تجربی، رگرسیونی و شبکه عصبی مصنوعی در برآورد تابش خالص دریافتی(Rs) در ایستگاه سینوپتک زاهدان
  پریسا کهخا مقدم محمد مهدی چاری
  تابش خورشیدی در بسیاری از مدلهای هیدرولوژی به عنوان پارامتری مهم در تخمین تبخیر و تعرق می باشد. تهیه و ایجاد وسایل انداره گیری این پارامتر بسیار پرهزینه می باشد. در این تحقیق از داده های اندازه گیری شده تابش (Rs) در سال های 1385 تا 1389 ایستگاه هواشناسی زاهدان استفاده ش أکثر

  تابش خورشیدی در بسیاری از مدلهای هیدرولوژی به عنوان پارامتری مهم در تخمین تبخیر و تعرق می باشد. تهیه و ایجاد وسایل انداره گیری این پارامتر بسیار پرهزینه می باشد. در این تحقیق از داده های اندازه گیری شده تابش (Rs) در سال های 1385 تا 1389 ایستگاه هواشناسی زاهدان استفاده شده است. در این تحقیق چند مدل غیرخطی نظیر شبکه عصبی با الگوریتم BFGS و شبکه عصبی با کاهش شیب توام و رگرسیون خطی محلی با استفاده از آزمون گاما توسعه داده شد. سپس این مدل های غیرخطی و دو مدل تجربی شامل آنگستروم-پرسکات و گلور مک کلوت برای پیش بینی تابش مورد ارزیابی قرار گرفت. از پارامترهای دمای ماکزیمم، سرعت متوسط باد و تابش برون زمینی و ساعت آفتابی برای پیش بینی روش های غیر خطی استفاده شد. نتایج مقایسه مقادیر محاسبه شده با مدل ها با مقادیر اندازه گیری شده توسط پیرانومتر نشان می دهد که شبکه عصبی با روند نما BFGS دارای 95/1 RMSE= ، 47/1 MAE= و 93/0= R2 است که دارای بهترین عملکرد در مدل ها می باشد. بعد از آن مدل شبکه عصبی با کاهش شیب توام و مدل رگرسیونی خطی محلی است که مقادیر RMSE، MAE و R2برای آنها به ترتیب برابر 53/2، 77/1، 88/0 و 89/2، 89/1، 82/0 می باشد. روش انگستروم و گلور-مک کلوت نیز به ترتیب دارای مقادیر 38/4RMSE= ، 21/3 MAE= ، 33/0= R2 و 64/4RMSE= ، 07/3 MAE= و 50/0= R2می باشند. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  206 - 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
  
  207 - بررسی هیدروژئوشیمی آب های زیرزمینی دشت شیرامین با استفاده از شبکه عصبی مصنوعی
  رضا نوروزی سمیه امامی حامد شیر علی زاده
  آب‌های زیرزمینی از منابع مهم بهره‌برداری از آب در مناطق خشک و نیمه‌خشک می‌باشند. افزایش مصرف آب ناشی از افزایش جمعیت، باعث کاهش کیفی و کمی آبهای قابل استحصال شده است. هدف از این پژوهش ارزیابی دقت روش شبکه عصبی مصنوعی پرسپستون چندلایه بر کیفیت منابع آب زیرزمینی در دشت شی أکثر

  آب‌های زیرزمینی از منابع مهم بهره‌برداری از آب در مناطق خشک و نیمه‌خشک می‌باشند. افزایش مصرف آب ناشی از افزایش جمعیت، باعث کاهش کیفی و کمی آبهای قابل استحصال شده است. هدف از این پژوهش ارزیابی دقت روش شبکه عصبی مصنوعی پرسپستون چندلایه بر کیفیت منابع آب زیرزمینی در دشت شیرامین استان آذربایجان‌شرقی می‌باشد. در مطالعه‌ی حاضر، کیفیت هیدروژئوشیمیایی منابع آب زیرزمینی در دشت شیرامین استان آذربایجان‌شرقی از نظر شرب، کشاورزی و صنعت با استانداردهای ویلکاکس و شولر مورد بررسی قرار گرفت. در ادامه مدل سازی پارامترهای کیفی (TDS)، (EC) و (SAR) آب زیرزمینی با استفاده از شبکه‌های عصبی مصنوعی انجام شد. با توجه به شاخص‌های کیفی Willcox و Schueller آب‌های زیرزمینی برای مصارف کشاورزی در حد متوسط بوده و از نظر شرب نامطبوع و غیر قابل شرب می‌باشند. اکثر نمونه‌ها در کلاس c3s1 و در رده آب‌های متوسط قرار می-گیرند. نتایج حاصل حاکی از توانمندی قابل قبول و نتایج رضایت‌بخش مدل شبکه عصبی در پیش‌بینی کیفیت آب-های زیرزمینی می‌باشد. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  208 - بررسی برخی ویژگی‌های بوم شناختی گیاه دارویی (Artemisia sieberi Besser.) و تخمین تراکم آن به روش شبکه‌های عصبی در بخش روداب سبزوار
  علیرضا قاسمی آریان سیدفاضل فاضلی کاخکی حسین روحانی
  چکیده درمنه دشتی (Artemisia sieberi Besser) از تیره Asteraceae گونه ای دارویی در فلور ایران بوده که اسانس آن در درمان بیماری های انگلی و عفونی کاربرد دارد. طی سالیان اخیر، بخش هایی از رویشگاه های درمنه، توسط عوامل انسانی تخریب شده است. این تحقیق با هدف بررسی نیازهای آت أکثر

  چکیده درمنه دشتی (Artemisia sieberi Besser) از تیره Asteraceae گونه ای دارویی در فلور ایران بوده که اسانس آن در درمان بیماری های انگلی و عفونی کاربرد دارد. طی سالیان اخیر، بخش هایی از رویشگاه های درمنه، توسط عوامل انسانی تخریب شده است. این تحقیق با هدف بررسی نیازهای آت اکولوژی و برآورد تراکم درمنه در سال 1396 در منطقه روداب سبزوار انجام گرفت. ابتدا محدوده درمنه زار بر روی عکس های ماهواره ای، تعیین و اطلاعات بوم شناختی آن، شامل (توپوگرافی، اقلیم، خاک، زمین شناسی و فنولوژی) جمع آوری گردید. در مرحله ی بعد، تراکم درمنه در مراتع تخریب شده با استفاده از مدل شبکه عصبی مورد آزمون قرار گرفت. بدین منظور 70 نمونه تصادفی خاک متشکل از متغیرهای مستقل (بافت، EC،SAR ، pH،N ،P ،K ، کاتیون ها، ماده آلی و درصد آهک) و نیز تراکم درمنه (متغیر وابسته) برای ساخت مدل استفاده گردید. نتایج نشان دادند که درمنه دشتی، ارتفاعات 1400 تا 1800 متر، شیب های صفر تا 12%، بارندگی 160 تا 200 میلی‌متر و خاک های لومی تا لومی ماسه ای آهک دار با شوری کم را ترجیح می‎‎دهد. فعّالیت رویشی درمنه از اواخر اسفند شروع شده و تا اوایل آذر بذرها می رسند. همچنین نتایج پیش بینی مدل نشان داد، کمترین تراکم درمنه با 11/0 در مترمربع مربوط به اراضی می باشد که 40 سال تحت تنش شخم قرار داشته اند و بیشترین تراکم درمنه با 4/0 در مترمربع مربوط به اراضی است که دو سال از تخریب آنها می گذرد.مدل رگرسیون (R2) نشان داد که متغیرهای مستقل، 95% در تعیین تراکم درمنه نفش دارند. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  209 - 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
  
  210 - پیش‌بینی سرمای دیررس بهاره با استفاده از شبکه‌ی عصبی پرسپترون چند لایه (MLP) و تاثیر آن در حمل و نقل شهر خرم‌آباد
  سعید تقوی گودرزی هانیه امیدزاده
  سیستم حمل و نقل درون شهری به عنوان ابزار مهم و موتور محرک، توسعه ی شهرها در اقتصاد محلی و منطقه ای به شمار می آید. چرا که اگر جوامع شهری امروز دارای امکانات و زیرساخت های مناسب حمل و نقل شهری نباشند، خسارات جبران ناپذیر اقتصادی را بر خود تحمیل می نماید. در این راستا اقل أکثر

  سیستم حمل و نقل درون شهری به عنوان ابزار مهم و موتور محرک، توسعه ی شهرها در اقتصاد محلی و منطقه ای به شمار می آید. چرا که اگر جوامع شهری امروز دارای امکانات و زیرساخت های مناسب حمل و نقل شهری نباشند، خسارات جبران ناپذیر اقتصادی را بر خود تحمیل می نماید. در این راستا اقلیم شناسان تلاش می کنند با تجزیه و تحلیل داده های یک یا چند متغییر اقلیمی در گذشته، به قوانین و مدل هایی دست یابند که بر این اساس، وضعیت اقلیم را در آینده پیش بینی کنند. شبکه های عصبی مصنوعی از مؤلفه های هوش مصنوعی است که امروزه به طور وسیع در زمینه مدل سازی و پیش بینی پارامترهای اقلیمی مورد استفاده قرار می گیرد. در این پژوهش، سعی شده با پیش بینی سرمای دیررس بهاره ایستگاه خرم آباد با استفاده از مدل پرسپترون چند لایه (MLP) به تاثیر آن برسیستم حمل و نقل شهری، ضمن آشکارسازی رخداد وقوع، نسبت به کاهش خسارات و اختلالات ناشی از آن به خودروها و تاسیسات زیرساختی حمل و نقل درون شهری و غیره زمینه ای ایجاد نمود تا تدابیر لازم اتخاذ گردد. به منظور دستیابی به این مهم از متغیرهای میانگین ماهانه حداقل و حداکثر دما، میانگین حداقل و حداکثر رطوبت نسبی، مجموع ساعات آفتابی و میانگین مجموع بارش ماهانه طی دوره آماری 28 ساله (2009-1981) جهت پیش بینی دماهای حداقل ماه های آوریل و می سال های 2010 تا 2012 و مقایسه آن با داده های واقعی استفاده گردید. جهت این کار از امکانات و توابع موجود در نرم افزار MATLAB بهره گرفته شد. سپس به بررسی شاخص های عملکرد شبکه از جمله ضریب تعیین و همبستگی و درصد خطای نسبی پرداخته شد. یافته ها بیانگر وقوع یخ بندان بهاره برای 80% احتمال و دوره برگشت 49/1 ساله روز 187 یعنی 7 فروردین ماه است. و حداکثر خطای این مدل با داده های واقعی کم تر از 10/0 درجه سلسیوس است که توانایی قابل توجه مدل شبکه عصبی مصنوعی در مدلسازی پیش بینی دماهای حداقل را نشان می دهد. بنابراین توجه به پدیده های اقلیمی از جمله یخ بندان بر مدیریت و توسعه حمل و نقل شهری تاثیر شایانی می گذارد و باید از نظر کارشناسان این امر در الویت دقت قرار گیرد. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  211 - 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
  
  212 - شناسایی عوامل موثر بر مطالبات غیرجاری بانک‌ها با استفاده از شبکه‌های عصبی و الگوریتم ماشین بردار پشتیبان
  سجاد کردمنجیری ایمان داداشی زهرا خوشنود حمیدرضا غلام نیا روشن
  10.30495/eco.2020.672520
  هدف این مقاله شناسایی عوامل تاثیرگذار بر ایجاد و افزایش مطالبات غیرجاری برای اتخاذ تصمیم مناسب تر در اعطای تسهیلات است. بدین منظور برای انتخاب متغیرهای موثر، از الگوریتم های تجزیه و تحلیل مولفه‌های هم‌بستگی و لاسو و برای کلاس‎بندی نمونه ها، از شبکه های عصبی و ماشین أکثر

  هدف این مقاله شناسایی عوامل تاثیرگذار بر ایجاد و افزایش مطالبات غیرجاری برای اتخاذ تصمیم مناسب تر در اعطای تسهیلات است. بدین منظور برای انتخاب متغیرهای موثر، از الگوریتم های تجزیه و تحلیل مولفه‌های هم‌بستگی و لاسو و برای کلاس‎بندی نمونه ها، از شبکه های عصبی و ماشین بردار پشتیبان استفاده شده است. در این پژوهش، نمونه ای از 660 مشتری حقوقی بانک سپه برای سال‌های 1396-1385 انتخاب و بر متغیرهای خصوصیتی مستخرج از قراردادهای تسهیلاتی این مشتریان در کنار متغیرهای مالی، غیرمالی، حسابرسی و اقتصادی تمرکز شده است. نتایج نشان داد الگوریتم لاسو با تمرکز بر متغیرهای مالی، اقتصادی و حسابرسی، عملکرد بهتری نسبت به الگوریتم تجزیه و تحلیل مولفه های هم‌سایگی داشته و براساس این الگوریتم، 10 متغیر کلیدی تاثیرگذار بر مطالبات غیرجاری شناسایی شدند. با توجه به عملکرد بهتر ماشین‌های بردار پشتیبان با هسته شعاعی، استفاده از آن در مدل‌سازی مطالبات غیرجاری پیشنهاد می‌شود. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  213 - مدل‌سازی شاخص‌های موثر بر سود در برنامه‌ریزی راهبردی مالی (کاربرد روش کنترل عصبی تطبیقی)
  زهرا صادقی محمدرضا معتدل عباس طلوعی
  10.30495/eco.2022.1934875.2546
  هدف این مقاله بیان کاربرد روش کنترل عصبی تطبیقی مبتنی بر الگوریتم شبکه عصبی اِلمن برای مدل‌سازی شاخص‌های موثر بر سود در برنامه‌ریزی مالی سازمان‌ها (به منظور بهبود و افزایش دقت در فرایندهای تصمیم‌گیری) است. بدین منظور، داده‌های مالی 1379 - 1391 شرکت‌های نفت پارس، داروساز أکثر

  هدف این مقاله بیان کاربرد روش کنترل عصبی تطبیقی مبتنی بر الگوریتم شبکه عصبی اِلمن برای مدل‌سازی شاخص‌های موثر بر سود در برنامه‌ریزی مالی سازمان‌ها (به منظور بهبود و افزایش دقت در فرایندهای تصمیم‌گیری) است. بدین منظور، داده‌های مالی 1379 - 1391 شرکت‌های نفت پارس، داروسازی عبیدی و سایپا برای طراحی مدل و داده‌های مالی سال‌های 1392 - 1397 این شرکت‌ها برای آزمون مدل استفاده شده است. یافته‌های سازگارپذیری مدل‌ نشان داد مدل پیشنهادی توانایی تطبیق با شرایط متغیر محیطی را برای حفظ هدف مطلوب (سود) دارد. هم‌چنین، برای ارزیابی معتبر بودن مدل، میزان میانگین مربعات خطا محاسبه گردید. نتایج، اعتبار مدل را تأیید می‌نماید. بر اساس نتایج، پیشنهاد می‌شود سازمان‌ها در روند برنامه‌ریزی راهبردی مالی خود با بهره‌گیری از مدل پیشنهادی این پژوهش، با لحاظ اثرات تغییرهای محیطی و حفظ متغیرهای مالی خود در بازه‌های خروجی مدل به هدف راهبردی مالی خود (سود مطلوب) دست یابند. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  214 - 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
  
  215 - 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
  
  216 - تخمین استحکام کششی قطعات در جوشکاری قوسی تنگستن- گاز با سرعتهای پیشروی کنترل شده با استفاده از شبکه های عصبی
  غلامرضا مرامی امیر مصطفی پور اصل رامین مشک آبادی
  جوشکاری قوسی تنگستن – گاز یکی از فرایندهای مهم جوشکاری در صنعت می باشد که از الکترود غیر مصرفی تنگستن برای جوشکاری استفاده می کند. این روش برای جوشکاری قطعات نازک فولادهای ضد زنگ و فلزات غیر آهنی از قبیل آلومینیوم، منیزیم و آلیاژهای مس به کار برده می شود. در این ت أکثر

  جوشکاری قوسی تنگستن – گاز یکی از فرایندهای مهم جوشکاری در صنعت می باشد که از الکترود غیر مصرفی تنگستن برای جوشکاری استفاده می کند. این روش برای جوشکاری قطعات نازک فولادهای ضد زنگ و فلزات غیر آهنی از قبیل آلومینیوم، منیزیم و آلیاژهای مس به کار برده می شود. در این تحقیق با طراحی و ساخت یک بازوی جوشکاری اتوماتیک که سرعت جوشکاری آن بوسیله میکرو کنترلر کنترل می شود در شرایط مختلف جوشکاری مانند انواع سرعت پیشروی، شدت جریان و دمای پیش گرم آزمایشات عملی صورت گرفته و مقدار استحکام کششی نمونه های جوشکاری شده اندازه گیری شد. سپس با استفاده از این اطلاعات تجربی، سیستم هوشمندی از نوع شبکه های عصبی طراحی ، آموزش و تست گردید که ورودی های آن پارامترهای تنظیمی جوشکاری و خروجی آن استحکام کششی جوش حاصل می باشد. نتایج کار نشان می دهد که با استفاده از شبکه عصبی با دقت بسیار بالائی می توان استحکام کششی را قبل از انجام جوشکاری تخمین زد. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  217 - تخمین استحکام فشاری ماسه ریخته‌گری در مقادیر مختلف رطوبت با استفاده از شبکه عصبی مصنوعی
  رامین مشک آبادی غلامرضا مرامی کمال جهانی
  کیفیت قطعات ریخته‌گری درقالب‌گیری ماسه به‌طور چشم‌گیری به خواص ماسه‌ی مورد استفاده از قبیل استحکام فشاری، نفوذپذیری، سختی قالب و... بستگی دارد که این خواص نیز به پارامترهایی مانند رطوبت، اندازه و شکل دانه ماسه، میزان چسب و... بستگی دارند. در این أکثر

  کیفیت قطعات ریخته‌گری درقالب‌گیری ماسه به‌طور چشم‌گیری به خواص ماسه‌ی مورد استفاده از قبیل استحکام فشاری، نفوذپذیری، سختی قالب و... بستگی دارد که این خواص نیز به پارامترهایی مانند رطوبت، اندازه و شکل دانه ماسه، میزان چسب و... بستگی دارند. در این مقاله، از شبکه عصبی مصنوعی برای بررسی تاثیر میزان رطوبت در استحکام فشاری ماسه استفاده شده است. آزمایش‌های عملی متعددی برای به‌دست آوردن داده‌های مورد نیاز برای مدل‌سازی صورت گرفته است. مخلوط‌های مختلف ماسه با درصدهای متفاوت رطوبت آماده شده و میزان استحکام فشاری ماسه برای هر کدام از آن‌ها تعیین شد. سپس مدل‌های شبکه عصبی با استفاده از نتایج آزمایش‌ها آموزش و تست شد. نتایج حاصل از شبکه با نتایج آزمایش‌های عملی جدید مورد مقایسه قرار گرفتند که نشان می‌دهند با استفاده از شبکه عصبی با دقت خوبی می‌توان استحکام فشاری ماسه را قبل از استفاده برای قالب‌گیری تخمین زد. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  218 - بررسی آموزش شبکه عصبی با استفاده از الگوریتم‌های فراابتکاری به‌منظور پیش‌بینی شاخص کل در بورس ایران
  سیداحمد میرزائی زکیه نیکدل زهرا نیکدل
  پیش‌بینی و آنالیز حرکات بازار سهام موضوع بسیار مهم برای محققان، معامله گران و تحلیل گران بازار می باشد و نقش مهمی در اقتصاد امروز دارد. تنوع در سیاست هایی مانند سیاست های دولتی و سیاست های اقتصادی بر بازار سرمایه تأثیر می گذارند و باعث تغییرات قیمتی سهام می شوند. پیش‌بی أکثر

  پیش‌بینی و آنالیز حرکات بازار سهام موضوع بسیار مهم برای محققان، معامله گران و تحلیل گران بازار می باشد و نقش مهمی در اقتصاد امروز دارد. تنوع در سیاست هایی مانند سیاست های دولتی و سیاست های اقتصادی بر بازار سرمایه تأثیر می گذارند و باعث تغییرات قیمتی سهام می شوند. پیش‌بینی حرکات بازار به‌صورت روزانه، به دلیل غیرخطی بودن و آشوبناک بودن حرکات قیمت سهام کار بسیار مشکلی می باشد. روش های مختلفی برای پیش‌بینی در بورس وجود دارد. تکنیک های هوش مصنوعی به‌صورت گسترده برای پیش‌بینی داده های با ساختار غیرخطی و آشوبناک به کار گرفته‌شده‌اند. یکی از این تکنیک‌ها استفاده از شبکه‌های عصبی می‌باشد. درصورتی‌که شبکه عصبی به‌درستی آموزش داده شود، خطای کمتری در پیش‌بینی خواهد داشت. در این پژوهش با استفاده از ۸ الگوریتم فراابتکاری اقدام به آموزش شبکه عصبی پرسپترون چندلایه خواهیم کرد و به پیش‌بینی شاخص کل بورس تهران خواهیم پرداخت. نتایج به‌دست‌آمده از این پژوهش نشان داد که الگوریتم بهینه‌سازی گرگ خاکستری دارای کمترین خطا در آموزش شبکه عصبی دارد. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  219 - 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
  
  220 - ارائه یک روش هوشمند برای پیش‌بینی وقوع مرگ براساس سن بیمار و حجم خون‌ریزی در عکس سی‌تی‌اسکن
  یسرا عزیزی نصرآبادی علی جمالی نظری حمید قدیری فرشید باباپور مفرد
  هدف از این مقاله پیش بینی زنده ماندن و یا مرگ افراد مبتلا به خون ریزی مغزی در طی سی روز بر اساس میزان خون ریزی مغزی است. تشخیص و درمان به موقع و صحیح خون ریزی مغزی از اهمیت بسیار بالایی برخوردار است، چنانچه در مدت این سی روز فوت بیمار پیش بینی شود، پزشک معالج باید مراقب أکثر

  هدف از این مقاله پیش بینی زنده ماندن و یا مرگ افراد مبتلا به خون ریزی مغزی در طی سی روز بر اساس میزان خون ریزی مغزی است. تشخیص و درمان به موقع و صحیح خون ریزی مغزی از اهمیت بسیار بالایی برخوردار است، چنانچه در مدت این سی روز فوت بیمار پیش بینی شود، پزشک معالج باید مراقبت های ویژه و درمان قوی تری برای بیمار استفاده کند. خون ریزی های مغزی نیاز به درمان فوری و تشخیص سریع و دقیق دارند. در این مقاله با استفاده از حجم خون ریزی مغزی و سن بیمار و با استفاده از شبکه عصبی ماشین بردار پشتیبان (SVM) پیش بینی شده است که چند درصد از افراد مبتلا به خون ریزی مغزی زنده می مانند و چند درصد فوت می کنند. پارامتر های حجم خون ریزی مغزی و سن بیماران، ورودی شبکه عصبی در نظر گرفته شده است. خروجی شبکه، زنده ماندن و یا مرگ بیماران مبتلا به خون ریزی مغزی طی سی روز آینده است. داده هایی که استفاده شده شامل سن و حجم خون ریزی 66 بیمار مبتلا به خونریزی لوبار، 76 بیمار مبتلا به خون ریزی عمیق، 9 بیمار مبتلا به خون ریزی پونتین و 11 بیمار مبتلا به خون ریزی مخچه ای است. تمام مدل های خون ریزی به عنوان ورودی شبکه عصبی ماشین بردار پشتیبان در نظر گرفته شده است. دقت کلی شبکه عصبی ماشین بردار پشتیبان طراحی شده 93 درصد است. مستقل از نوع خون ریزی مغزی، زنده ماندن و یا مرگ افراد مبتلا به خون ریزی مغزی در طی سی روز پیش بینی شده است. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  221 - تنظیم داروی انسولین با استفاده از کنترل‌کننده فازی نوع 2 با برش‌های آلفا
  شیما نصر حمید محمودیان
  کنترل میزان تزریق انسولین در بیماران دیابتی که مجهز به پمپ انسولین می‌باشند چالش‌های بسیاری را برای محققین ایجاد نموده است. وجود نامعینی‌های متعدد که ناشی از تفاوت‌های فیزیولوژیکی در اشخاص متفاوت می‌باشد به همراه فعالیت‌های گوناگونی که هر شخص ممکن است در طول روز انجام د أکثر

  کنترل میزان تزریق انسولین در بیماران دیابتی که مجهز به پمپ انسولین می‌باشند چالش‌های بسیاری را برای محققین ایجاد نموده است. وجود نامعینی‌های متعدد که ناشی از تفاوت‌های فیزیولوژیکی در اشخاص متفاوت می‌باشد به همراه فعالیت‌های گوناگونی که هر شخص ممکن است در طول روز انجام دهد می‌تواند چالش‌های تزریق مناسب انسولین را به بدن بیشتر نماید. علاو‌ه بر این، اثرگذاری با تاخیر ورود کربوهیدرات در میزان قند خون بدن، کنترل انسولین را پیچیده‌تر کرده و ممکن است باعث شرایط خطرناک هایپرگلیسمی و یا هیپوگلیسمی شود. در این مقاله جهت کم اثر کردن نامعینی‌های ذاتی در مدل بیمار (مبتنی بر مدل ریاضی هورکا)، کنترل‌کننده‌های فازی نوع 2 عمومی با برش‌های آلفا پیشنهاد شده و برای پیش‌بینی میزان قند خون در ساعت‌های بعدی از یک سیستم شبکه عصبی به همراه یک مدل رگرسیون خطی استفاده گردیده است. برای تنظیم بعضی از پارامترهای کنترل‌کننده نیز الگوریتم ژنتیک استفاده شده است. برای بررسی اثر بخشی کنترل‌کننده، اختلال‌های متعددی در مدل و ورود کربوهیدرات در سیستم حلقه بسته در نظر گرفته شده است. نتایج شبیه‌سازی نشان می‌دهد که کنترل‌کننده طراحی شده می‌تواند در شرایط متفاوت علاوه بر کنترل قند خون از بروز دو حالت خطرناک هایپرگلیسمی و هیپوگلیسمی جلوگیری نماید. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  222 - 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
  
  223 - 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
  
  224 - 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
  
  225 - 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
  
  226 - 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
  
  227 - 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
  
  228 - کنترل بار فرکانس در یک سیستم قدرت چند ناحیه‌ای با مشارکت منابع انرژی تجدیدپذیر و خودروی الکتریکی با استفاده از کنترل‌کننده PID مرتبه کسری مبتنی بر شبکه عصبی موجک
  عباسعلی زمانی سید محمد کارگر دهنوی علیرضا رئیسی
  با تجدید ساختار سیستم قدرت و ادغام منابع انرژی تجدیدپذیر مختلف با رفتار دینامیکی پیچیده و عدم قطعیت‌های عملکردی زیاد، مبحث کنترل بار فرکانس، پیچیدگی‌های بیشتری پیدا کرده است. در این مقاله برای یک سیستم قدرت ترکیبی دو ناحیه‌ای که شامل نیروگاه حرارتی با در نظر گرفتن عوامل أکثر

  با تجدید ساختار سیستم قدرت و ادغام منابع انرژی تجدیدپذیر مختلف با رفتار دینامیکی پیچیده و عدم قطعیت‌های عملکردی زیاد، مبحث کنترل بار فرکانس، پیچیدگی‌های بیشتری پیدا کرده است. در این مقاله برای یک سیستم قدرت ترکیبی دو ناحیه‌ای که شامل نیروگاه حرارتی با در نظر گرفتن عوامل غیرخطی مانند باند مرده گاورنر و محدودیت میزان تولید و منابع انرژی تجدیدپذیر شامل توربین بادی، نیروگاه خورشیدی-حرارتی، الکترولایزر، پیل سوختی و خودرو برقی پلاگین است، یک ساختار کنترل بار فرکانس تطبیقی مرتبه کسری، مبتنی بر شبکه‌های عصبی موجک خود بازگشتی و کنترل‌کننده مرتبه کسری با نام کنترل‌کننده تناسبی-انتگرالی-مشتقی (PID) مرتبه کسری مبتنی بر شبکه عصبی موجک (AWNNFOPID) پیشنهاد شده است. برای مقایسه عملکرد کنترل‌کننده AWNNFOPID پیشنهادی چهار سناریو متفاوت در نظر گرفته شده و نتایج با کنترل‌کننده‌های سنتی انتگرال گیر (I)، متناسب-انتگرال گیر (PI)، PID و همچنین با کنترل‌کننده PID مرتبه کسری (FOPID) بهینه مقایسه شده است. نتایج شبیه‌سازی‌ها نشان‌دهنده عملکرد بسیار مناسب کنترل‌کننده AWNNFOPID پیشنهادی بر اساس شاخص‌های عملکردی زمان نشست، زمان صعود، حداکثر فراجهش، حداکثر فروجهش، انتگرال زمانی قدر مطلق خطا (ITAE) و انتگرال قدر مطلق خطا (IAE) در مقایسه با سایر کنترل‌کننده به کار رفته برای سیستم قدرت مورد مطالعه است. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  229 - 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
  
  230 - 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
  
  231 - 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
  
  232 - 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
  
  233 - 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
  
  234 - 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
  
  235 - 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
  
  236 - 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
  
  237 - 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
  
  238 - 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
  
  239 - 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
  
  240 - 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
  
  241 - تولید شتابنگاشت مصنوعی زلزله با استفاده از شبکه عصبی فازی
  پیمان شادمان مهدی امری محمد خراسانی
  نیاز روزافزون به تحلیل دینامیکی تاریخچه زمانی و عدم وجود شتابنگاشت های مناسب در مناطق مختلف، تولید شتابنگاشت های مصنوعی سازگار با طیف طرح را ضروری می سازد. هدف اصلی این تحقیق ارائه روشی نوین، بر اساس تبدیل بسته موجک و روش های هوش مصنوعی برای تولید شتابنگاشت مصنوعی زلزله أکثر

  نیاز روزافزون به تحلیل دینامیکی تاریخچه زمانی و عدم وجود شتابنگاشت های مناسب در مناطق مختلف، تولید شتابنگاشت های مصنوعی سازگار با طیف طرح را ضروری می سازد. هدف اصلی این تحقیق ارائه روشی نوین، بر اساس تبدیل بسته موجک و روش های هوش مصنوعی برای تولید شتابنگاشت مصنوعی زلزله سازگار با طیف طرح بر اساس مقدار بزرگا، فاصله از گسل و طیف مربوطه می باشد. در این تحقیق از شبکه های عصبی فازی و آنالیز موجک پکت برای رسیدن به هدف مورد نظر استفاده خواهد شد. روش کار بدین صورت است که ابتدا شتابنگاشتهای زلزله با توجه به شرایط ساختگاهی مشخص، بزرگا و فاصله از مبداء زلزله جمع آوری شده و سپس طیف این شتابنگاشت ها برای آموزش با شبکه های عصبی فازی بدست می آید. طیف های کاهندگی بر اساس اطلاعات موجود در منطقه با استفاده از روش های رگرسیون گیری غیر خطی ریاضی بدست آمده و سپس با استفاده از شبکه های عصبی فازی ارتباط بین رکورد های زلزله و طیف های بدست آمده از هر رکورد بدست می آید. در این بخش با استفاده از آنالیز موجک پکت شتابنگاشت ها به زیرشتابنگاشت ها (ضرایب موجک) تجزیه شده و در مرحله بعد با کمک گرفتن از شبکه های عصبی فازی رابطه بین طیفهای پاسخ شتابنگاشت ها با ضرایب موجک پکت بدست می آید. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  242 - مدل‌سازی و بررسی‌خصوصیات‌کیفی‌کیک‌حاوی فیبر‌تفاله سیب‌ با استفاده از شبکه‌های‌عصبی‌مصنوعی
  مریم ثابت قدم محمد رضا سعیدی اصل اکرم شریفی احمد پدرام نیا محمد آرمین
  10.30495/jfst.2022.1941986.1761
  در این تحقیق به منظور مدل‌سازی و پیش‌بینی برخی از خصوصیات فیزیکوشیمیایی کیک کم کالری حاوی فیبر تفاله سیب از درصدهای مختلف فیبر تفاله سیب (0، 5 و 10 درصد)، میزان روغن (57/14، 475/15 و 38/16 درصد) و زمان نگهداری (0، 15 و30 روز) استفاده گردید و میزان چربی، فعالیت آبی، افت أکثر

  در این تحقیق به منظور مدل‌سازی و پیش‌بینی برخی از خصوصیات فیزیکوشیمیایی کیک کم کالری حاوی فیبر تفاله سیب از درصدهای مختلف فیبر تفاله سیب (0، 5 و 10 درصد)، میزان روغن (57/14، 475/15 و 38/16 درصد) و زمان نگهداری (0، 15 و30 روز) استفاده گردید و میزان چربی، فعالیت آبی، افت وزنی، تعداد کپک و مخمر، صمغیت، قابلیت جویدن، ارتجاعیت و روشنایی کیک نمونه‌ها مورد بررسی قرار گرفت. جهت پیش‌بینی روند تغییرات از ابزارشبکه‌های عصبی مصنوعی در نرم‌افزار (MATLAB R2013a) استفاده شد. با بررسی شبکه‌های مختلف شبکه‌ی پس‌انتشار پیشخور با توپولوژی‌های 3-5-8 با ضریب همبستگی بیشتر از 912/0 و میانگین مربعات خطای کمتر از 0115/0 و با بکارگیری تابع فعال‌سازی لگاریتم سیگموئیدی هیپربولیکی، الگوی یادگیری جهنده و چرخه یادگیری 1000 به‌عنوان بهترین مدل‌ عصبی مشخص گردید. نتایج حاصل از مدل‌های بهینه‌ی انتخاب شده نیز ارزیابی گردید و این مدل‌ها با ضرایب همبستگی بالا (بیش از 689/0) قادر به پیش‌بینی روند تغییرات بودند. همچنین نتایج نشان داد که با افزایش میزان روغن، محتوای چربی، فعالیت آبی و تعداد کپک و مخمر نمونه‌ها افزایش یافت ولی با افزایش فیبر تعداد کپک و مخمر و افت وزن نمونه‌ها کاهش یافت. در بین خصوصیات مورد اندازه‌گیری، شبکه عصبی مصنوعی مورد استفاده قرار گرفته بیشترین دقت را برای پیش‌بینی میزان چربی نمونه‌ها داشت. در پایان می‌توان بیان داشت که مدل شبکه عصبی به‌دست آمده در این مطالعه توان پیش‌بینی خصوصیات کیفی کیک حاوی فیبر تفاله سیب را دارد. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  243 - بهینه‌سازی فرایند استخراج روغن از دانه‌های گلرنگ با پیش‌تیمار مایکروویو و تخمین پارامترهای فرایند با کمک شبکه‌ی عصبی مصنوعی
  زهرا دولت آبادی سیدعلی مرتضوی معصومه مقیمی حمید بخش آبادی سید حسین استیری
  در این تحقیق بهینه‌سازی استخراج روغن از دانه‌های گلرنگ با پیش‌تیمار مایکروویو با هدف بیشینه نمودن راندمان استخراج روغن، پایداری اکسیداتیو و فنول کل و کمینه نمودن میزان اسیدیته روغن توسط روش سطح پاسخ و در نهایت تخمین این پاسخ‌ها با کمک شبکه عصبی انجام گرفت. اثرات دو فاکت أکثر

  در این تحقیق بهینه‌سازی استخراج روغن از دانه‌های گلرنگ با پیش‌تیمار مایکروویو با هدف بیشینه نمودن راندمان استخراج روغن، پایداری اکسیداتیو و فنول کل و کمینه نمودن میزان اسیدیته روغن توسط روش سطح پاسخ و در نهایت تخمین این پاسخ‌ها با کمک شبکه عصبی انجام گرفت. اثرات دو فاکتور توان مایکروویو در محدوده‌ی 180 تا 900 وات و زمان مایکروویو در محدوده 90 تا 270 ثانیه با کمک طرح مرکب مرکزی بر پارامترهای راندمان استخراج روغن، اسیدیته، ضریب شکست روغن، پایداری اکسیداتیو و فنول کل نمونه‌ها بررسی گردید. بررسی نتایج نشان داد شرایط بهینه برای فرایند استخراج روغن از دانه‌های گلرنگ با پیش‌تیمار مایکروویو زمانی ایجاد می‌شود که توان مایکروویو 900 وات و زمان آن 270 ثانیه باشد. افزایش توان و زمان مایکروویو منجر به افزایش تمام پاسخ‌های مورد بررسی به‌جز ضریب شکست گردید ولی روی ضریب شکست تأثیر معنی‌داری نداشت. همچنین نتایج مدل‌سازی شبکه عصبی مصنوعی نشان داد که شبکه‌ای با یک لایه پنهان حاوی 9 نورون یعنی چیدمان5-9-2 (شبکه‌ای با 2 ورودی، 9 گره (نورون) در لایه پنهان و 5 خروجی)، بهترین نتیجه را در پیش‌بینی خروجی‌های مورد نظر دارد. این شبکه با مقدار ضریب همبستگی 989/0 و میانگین مربعات خطای 0002/0 بالاترین دقت را در بین توپولوژی‌های در نظر گرفته شده از خود نشان داد. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  244 - مدل‌سازی استخراج روغن از دانه‌ کتان با پیش تیمار میدان الکتریکی پالسی با استفاده از شبکه عصبی مصنوعی
  شکوفه غراوی مسعود بذرافشان معصومه مقیمی
  10.30495/jfst.2019.545911
  دانه کتان یکی از منابع تأمین کننده روغن می باشد که به دلیل میزان بالای اسید چرب ضروری امگا3 مورد توجه قرار گرفته است. در تکنولوژی استخراج روغن، تیماردهی مناسب دانه قبل از استخراج یکی از مهمترین مراحل برای تولید محصولی با کیفیت و راندمان بالا می باشد. در تحقیق حاضر به من أکثر

  دانه کتان یکی از منابع تأمین کننده روغن می باشد که به دلیل میزان بالای اسید چرب ضروری امگا3 مورد توجه قرار گرفته است. در تکنولوژی استخراج روغن، تیماردهی مناسب دانه قبل از استخراج یکی از مهمترین مراحل برای تولید محصولی با کیفیت و راندمان بالا می باشد. در تحقیق حاضر به منظور مد‌‌ل‌سازی فرآیند استخراج روغن دانه‌های کتان به کمک پیش تیمار میدان الکتریکی پالسی، از شدت های 0/5، 3/5 و 6/5 کیلوولت بر سانتی‌متر و سرعت های 11، 22 و 33 دور در دقیقه پرس مارپیچی استفاده شد و میزان راندمان استخراج، اسیدیته، دانسیته، رنگ، ضریب شکست، پراکسید و اندیس اسیدی روغن استخراج شده مورد بررسی قرار گرفت. جهت پیش‌بینی روند تغییرات از ابزار شبکه‌های عصبی مصنوعی در نرم‌افزار Matlab R2013a استفاده شد. نتایج نشان داد که با افزایش شدت میدان الکتریکی پالسی و افزایش سرعت دورانی پرس، راندمان استخراج روغن، شاخص رنگ، دانسیته، اسیدیته و اندیس اسیدی افزایش یافت. همچنین افزایش شدت میدان الکتریکی پالسی تاثیر معنی داری بر ضریب شکست و میزان پراکسید نداشت در حالی که با افزایش سرعت پرس میزان پراکسید افزایش یافت. با بررسی شبکه های مختلف، شبکه پیش‌خور با توپولوژی 7-10-2 با ضریب همبستگی بیش از 0/9843 و میانگین مربعات خطا برابر با 0/0001 و با به کارگیری تابع فعال‌سازی لگاریتم سیگموئیدی، الگوی یادگیری لونبرگ _مارکوات و چرخه یادگیری 1000 به عنوان بهترین مدل عصبی مشخص گردید. در نهایت با توجه به نتایج مشخص شد که اعمال پیش تیمار میدان الکتریکی پالسی با شدت 6/5 کیلوولت بر سانتی‌متر و سرعت پرس 22 دور در دقیقه منجر به تولید محصول با راندمان مناسب و خصوصیات فیزیکوشیمیایی مطلوب تر گردید. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  245 - پیش‌گویی فعالیت رادیکال‌گیرندگی، شمارش آغازگرها و خواص حسی ماست پروبیوتیک حاوی عصاره‌های هیدروالکلی اسپیرولینا پلاتنسیس و گیاه چویل با شبکه عصبی مصنوعی
  عبد الرضا آقاجانی سید علی مرتضوی فریده طباطبایی یزدی
  10.30495/jfst.2021.684119
  هدف از پژوهش حاضر، ارزیابی فعالیت‌رادیکال‌گیرندگی، شمارش ‌آغازگرهای ‌ماست‌ و خواص حسی ماست پروبیوتیک کم چرب غنی‌سازی شده با سطوح صفر تا 1 درصد عصاره گیاه چویل و ریزجلبک اسپیرولینا پلاتنسیس طی 21 روز نگهداری در دمای یخچال و پیش‌بینی نتایج آزمایشات با شبکه عصبی مصنوعی بود أکثر

  هدف از پژوهش حاضر، ارزیابی فعالیت‌رادیکال‌گیرندگی، شمارش ‌آغازگرهای ‌ماست‌ و خواص حسی ماست پروبیوتیک کم چرب غنی‌سازی شده با سطوح صفر تا 1 درصد عصاره گیاه چویل و ریزجلبک اسپیرولینا پلاتنسیس طی 21 روز نگهداری در دمای یخچال و پیش‌بینی نتایج آزمایشات با شبکه عصبی مصنوعی بود. به منظور پیش‌گویی نتایج، شبکه عصبی پرسپترون چند لایه با دو ورودی (غلظت عصاره، زمان نگهداری) و یک خروجی با نرم افزار MATLABR2013a استفاده گردید. مطابق نتایج حاصل، ضریب‌همبستگی فعالیت رادیکال گیرندگی نمونه‌های ماست پروبیوتیک 989/0 تعیین گردید و عصاره چویل تأثیر بیشتری بر افزایش این فعالیت داشت. ضریب همبستگی تعداد لاکتوباسیلوس بولگاریکوس و استرپتوکوکوس ترموفیلوس به ترتیب993/0 و 975/0 تعیین گردید، در عین حال، تعداد باکتری‌ها در روز پایانی، بیش از حداقل تعداد آنها در ماست‌ پروبیوتیک تعیین گردید (107 cfu/ml). ضریب همبستگی برای رنگ، طعم، قوام و پذیرش کلی به ترتیب برابر با 937/0، 984/0، 983/0و 978/0 ارزیابی شد و تیمارهای حاوی عصاره اسپیرولینا، امتیازات حسی بالاتری را در مقایسه با عصاره چویل نشان دادند. نتایج نشان داد که به کمک شبکه‌ای با تعداد 10 نرون در لایه پنهان و با کمک تابع فعال سیگموئیدی هیبربولیکی و درصد داده‌های مورد استفاده برای آموزش/آزمون/ارزیابی برابر با60 / 15/ 25 می‌توان خواص کیفی ماست پروبیوتیک را پیش‌گویی نمود. آنالیز حساسیت شبکه عصبی بهینه به خوبی اهمیّت پیش‌گویی‌کنندگی پارامترهای غلظت دو عصاره و زمان نگهداری را بر تغییرات مورد بررسی ماست پروبیوتیک نشان داد. می‌توان گفت شبکه عصبی مصنوعی ابزار توانمندی در پیش‌گویی خصوصیات کیفی ماست پروبیوتیک بوده است. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  246 - بهینه‌سازی فرآیند آبگیری اسمزی شلیل و مدل‌سازی پارامترهای آبگیری با کمک شبکه‌ی عصبی مصنوعی
  حمید بخش آبادی معصومه مقیمی زهرا دولت آبادی سحر اصغری پور
  10.30495/jfst.2020.673774
  در این تحقیق بهینه‌سازی فرآیند خشک کردن اسمزی میوه شلیل با هدف بیشینه کردن کاهش آب و کمینه نمودن جذب مجدد آب توسط روش سطح پاسخ و همچنین تخمین پارامترهای آبگیری با کمک شبکه عصبی انجام گرفت. اثرات سه فاکتور دمای محلول اسمزی در محدوده‌ی 40 تا 60 درجه سانتی‌گراد ، مدت زمان أکثر

  در این تحقیق بهینه‌سازی فرآیند خشک کردن اسمزی میوه شلیل با هدف بیشینه کردن کاهش آب و کمینه نمودن جذب مجدد آب توسط روش سطح پاسخ و همچنین تخمین پارامترهای آبگیری با کمک شبکه عصبی انجام گرفت. اثرات سه فاکتور دمای محلول اسمزی در محدوده‌ی 40 تا 60 درجه سانتی‌گراد ، مدت زمان تماس محصول و محلول اسمزی در محدوده 60 تا 240 دقیقه و غلظت ساکارز در محلول اسمزی در محدوده‌ی 40 تا 60 درجه بریکس با کمک طرح مربع مرکزی[1] روی پارامترهای کاهش آب، جذب مواد جامد، نسبت کاهش آب به جذب مواد جامد و میزان کاهش وزن نمونه‌ها بررسی گردید. بررسی نتایج نشان داد شرایط بهینه برای فرآیند آبگیری اسمزی زمانی ایجاد می شود که دمای محلول اسمزی 40 سانتی‌گراد، مدت زمان تماس محصول با محلول 240 دقیقه و غلظت محلول اسمزی 26/40 درصد ساکارز باشد. در شرایط بهینه شاخص های کاهش آب، درصد جذب مواد جامد، نسبت کاهش آب به درصد جذب مواد جامد و میزان کاهش وزن نمونه‌ها به ترتیب73/40، 56/2 ،97/16 و 73/43 درصد محاسبه شد. همچنین نتایج مدل‌سازی شبکه عصبی مصنوعی نشان داد که شبکه ای با یک لایه پنهان حاوی 4 نورون یعنی چیدمان 4-4-3 (شبکه ای با 3 ورودی، 4 گره (نورون) در لایه پنهان و 4 خروجی)، بهترین نتیجه را در پیش بینی خروجی های مورد نظر دارد. این شبکه با مقدار ضریب همبستگی 921/0 و میانگین مربعات خطای 0191/0 بالاترین دقت را در بین توپولوژی های در نظر گرفته شده از خود نشان داد. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  247 - مدلسازی پراکنده شدن ذرات فیتواسترول در امولسیون روغن/آب با استفاده از شبکه عصبی و رگرسیون چند متغیره
  زهرا ایزدی علی نصیرپور محبوبه استادزاده
  فیتواسترول ها ترکیبات نامحلول در آب می باشند. تهیه ی امولسیون روغن در آب، روش موثر جهت پراکنده نمودن فیتواسترول ها در فاز آبی و افزایش کارایی این ترکیبات در کاهش کلسترول است. مقدار امولسیفایر مورد استفاده و میزان روغن بر خصوصیات امولسیون از جمله پایداری و ویژگی های رئول أکثر

  فیتواسترول ها ترکیبات نامحلول در آب می باشند. تهیه ی امولسیون روغن در آب، روش موثر جهت پراکنده نمودن فیتواسترول ها در فاز آبی و افزایش کارایی این ترکیبات در کاهش کلسترول است. مقدار امولسیفایر مورد استفاده و میزان روغن بر خصوصیات امولسیون از جمله پایداری و ویژگی های رئولوژیک آن تأثیر می گذارد. از آنجایی که این عوامل در اثرات درمانی امولسیون های دارویی مؤثر می باشند در پژوهش حاضر، از مدلسازی به روش شبکه عصبی مصنوعی جهت تخمین ویسکوزیته، اندازه ذرات و دوفاز شدن ذرات فیتواسترول در امولسیون روغن در آب استفاده شده است. همچنین مقایسه ی این روش و روش رگرسیون چند متغیره نیز انجام شد. عملکرد سیستم با استفاده از مربع مجذور میانگین خطا، خطای مطلق میانگین و ضریب تبیین مورد بررسی قرار گرفت. با مقایسه مدل ها مشخص شد که مدل شبکه عصبی برای ارزیابی ویسکوزیته، اندازه ذرات و دوفاز شدن نتایج بهتری نسبت به روش رگرسیون چند متغیره نشان می دهد. ضریب تبیین در روش شبکه عصبی برای ویسکوزیته، اندازه ذرات و دوفاز شدن به ترتیب برابر با 9911/0، 9939/0 و 9903/0 بدست آمد. با توجه بهضریب تبیین زیاد فاکتورهای اندازه گیری شده، مشخص شد که شبکه عصبی مصنوعی روشی سریع و دقیق جهت مدلسازی ذرات فیتواسترول در امولسیون روغن/آب است. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  248 - بهینه‌سازی فرمولاسیون نان حجیم بدون گلوتن ذرت حاوی کنسانتره پروتئین آب پنیر و آنزیم ترانس‌گلوتامیناز میکروبی
  نساء صفوی مهدی قره خانی
  10.30495/jfst.2020.674225
  در این تحقیق بهینه‌سازی فرمولاسیون نان بدون گلوتن بر پایه آرد ذرت حاوی پروتئین آب پنیر و آنزیم ترانس گلوتامیناز میکروبی با هدف کمینه نمودن افت پخت و میزان سختی و بیشینه نمودن میزان حجم مخصوص، تخلخل و شاخص رنگی L* توسط روش سطح پاسخ و در نهایت تخمین این پاسخ‌ها با کمک شبک أکثر

  در این تحقیق بهینه‌سازی فرمولاسیون نان بدون گلوتن بر پایه آرد ذرت حاوی پروتئین آب پنیر و آنزیم ترانس گلوتامیناز میکروبی با هدف کمینه نمودن افت پخت و میزان سختی و بیشینه نمودن میزان حجم مخصوص، تخلخل و شاخص رنگی L* توسط روش سطح پاسخ و در نهایت تخمین این پاسخ‌ها با کمک شبکه عصبی انجام گرفت. اثرات غلظت آنزیم ترانس‌گلوتامیناز میکروبی در سطحوح مابین 0 و 5/1 (0، 75/0و 5/1) درصد و کنسانتره پروتئین آب پنیر در سطوح مابین 0 تا 6 (0، 3 و 6) درصد با کمک طرح مرکب مرکزی بر پارامترهای حجم مخصوص، تخلخل، رطوبت مغز نان، سختی و شاخص‌های رنگی L*،a* وb* پوسته نان بررسی گردید. نتایج نشان داد که شرایط بهینه برای تولید نان بدون گلوتن بر پایه آرد ذرت زمانی ایجاد می‌شود که غلظت آنزیم و کنسانتره پروتئین آب پنیر به‌ترتیب 37/0 و 54/4 درصد باشد. با افزایش غلظت آنزیم، افت پخت، سختی، رطوبت و شاخص a* افزایش ولی میزان شاخص‌های L* و b* کاهش یافت. نتایج همچنین نشان داد که با افزایش غلظت آنزیم در فرمولاسیون نمونه‌ها در ابتدا کاهش و سپس افزایش میزان تخلخل اتفاق افتاد. افزایش غلظت کنسانتره پروتئین آب پنیر در فرمولاسیون نان بدون گلوتن بر پایه ذرت منجر به افزایش حجم مخصوص و شاخص L* و کاهش رطوبت مغز نان، سختی و شاخص a* وb* گردید. نتایج مدل‌سازی شبکه عصبی مصنوعی نشان داد که شبکه‌ای با یک لایه پنهان حاوی 7 نورون یعنی چیدمان 8-7-2 (شبکه‌ای با 2 ورودی، 7 گره (نورون) در لایه پنهان و 8 خروجی)، بهترین نتیجه را در پیش‌بینی خروجی‌های مورد نظر دارد. این شبکه با مقدار ضریب همبستگی 00/1 و میانگین مربعات خطای 0003/0 بالاترین دقت را در بین توپولوژی‌های در نظر گرفته شده از خود نشان داد. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  249 - 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
  
  250 - 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
  
  251 - 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
  
  252 - 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
  
  253 - 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
  
  254 - 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
  
  255 - 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
  
  256 - 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
  
  257 - 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
  
  258 - 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
  
  259 - 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
  
  260 - پیش بینی دبی رودخانه زاینده رود در ایستگاه قلعه شاهرخ با استفاده از تکنیک های یادگیری عمیق
  محمد مهرانی
  دبی به مقدار آبی گفته می‌شود که از نقطه مشخصی مانند رودخانه، کانال آب، دریچه سد، لوله و یا هر سازه دیگری مثل کارتریج (مغزی) شیرآلات در واحد زمان عبور می‌کند. دبی جریان آب را در سیستم متریک بر حسب متر مکعب در ثانیه، متر مکعب در ساعت و یا لیتر در ثانیه بیان می کنند. واحد أکثر

  دبی به مقدار آبی گفته می‌شود که از نقطه مشخصی مانند رودخانه، کانال آب، دریچه سد، لوله و یا هر سازه دیگری مثل کارتریج (مغزی) شیرآلات در واحد زمان عبور می‌کند. دبی جریان آب را در سیستم متریک بر حسب متر مکعب در ثانیه، متر مکعب در ساعت و یا لیتر در ثانیه بیان می کنند. واحد مترمکعب در ثانیه برای دبی های زیاد مثل رودخانه و کانال های بزرگ و واحد لیتر در ثانیه برای جریان های آب چاه ها و آبی که وارد نشتی ها می شود، بکار می رود. اندازه گیری دبی رودخانه دارای تاثیرات زیادی در زندگی انسانها می باشد. اطلاع از میزان ورود آب به مناطق مربوط به حوضه آبریز یک رودخانه دارای اهمیت زیادی در حوزه های کشاورزی، خطرات بالقوه بر زندگی انسان و حیوانات، صنایع و غیره می باشد. لذا پیش بینی دبی رودخانه می تواند باعث مدیریت مؤثر و جلوگیری از لطمات جدی در حوزه های مذکور گردد. با توجه به موارد مذکور هدف ایده ی مطرح شده در این مقاله پیش بینی دبی رودخانه با استفاده از تکنیک های یادگیری عمیق می باشد. جهت انجام این کار، دبی رودخانه زاینده رود در ایستگاه قلعه شاهرخ با استفاده از دو تکنیک‌ ANFIS و LSTM مورد بررسی و پیش بینی قرار گرفته است. نتایج شبیه‌سازی نشان‌دهندۀ 93 درصد الی 94 درصد دقت در پیش بینی دبی رودخانه مورد مطالعه می‌باشد. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  261 - 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
  
  262 - 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
  
  263 - 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
  
  264 - 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
  
  265 - 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
  
  266 - 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
  
  267 - 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
  
  268 - 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
  
  269 - Forecasting Iran’s Saffron Export by Comparison of Machine Learning Algorithms
  علیرضا امیرتیموری منصور صوفی مهدی همایونفر مهدی فدایی
  Imports and exports play an integral role in the economic growth of all countries. Therefore, selecting the right products can enhance a country's competitiveness in global trade. Saffron stands out as one of Iran's most vital and unique non-oil products for export. The أکثر

  Imports and exports play an integral role in the economic growth of all countries. Therefore, selecting the right products can enhance a country's competitiveness in global trade. Saffron stands out as one of Iran's most vital and unique non-oil products for export. The objective of this study was to predict saffron exports using three data mining algorithms and determine the most suitable algorithm for forecasting. The sample period for the forecasting models encompasses saffron export data from Iran for the years 2012 to 2019, gathered from the Iran Saffron Association. Following the data preparation steps, saffron export was forecasted using three data mining algorithms: artificial neural network, deep learning, and gradient boost tree. The validity of the models plays a crucial role in selecting the best forecasting model. The predictive validity of the three designed models was evaluated using the absolute error (artificial neural network = 0.036, deep learning network = 0.031, and gradient boost tree = 0.047), R-squared (artificial neural network = 0.045, deep learning network = 0.044, and gradient boost tree = 0.073), and correlation coefficients (artificial neural network = 0.95, deep learning network = 0.98, and gradient boost tree = 0.97). Based on the findings, all models demonstrate high accuracy, with very low prediction errors that are closely matched. However, the deep learning network exhibits a slightly lower, albeit statistically insignificant, error. These results can be valuable for enhancing the precision of saffron export planning. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  270 - تخمین مقاومت فشاری تک محوری و مدول الاستیسیته نمونه های کنگلومرا با استفاده از رگرسیون و شبکه عصبی مصنوعی
  مجتبی حیدری بهروز رفیعی مهران نوری غلامرضا خانلری علی اکبر مومنی
  تعیین دقیق برخی از خواص مکانیکی سنگ ها، مانند مقاومت فشاری تک محوری(Uniaxial Compressive Strength،UCS) و مدول الاستیسیته (E)، به زمان و هزینه قابل توجهی برای جمع آوری و آماده سازی نمونه های مناسب و آزمون های آزمایشگاهی نیاز دارد. UCS و E از جمله مهمترین خواص سنگ ها می ب أکثر

  تعیین دقیق برخی از خواص مکانیکی سنگ ها، مانند مقاومت فشاری تک محوری(Uniaxial Compressive Strength،UCS) و مدول الاستیسیته (E)، به زمان و هزینه قابل توجهی برای جمع آوری و آماده سازی نمونه های مناسب و آزمون های آزمایشگاهی نیاز دارد. UCS و E از جمله مهمترین خواص سنگ ها می باشند که تعیین آنها برای مطالعات مهندسی سنگ در بسیاری از پروژه های معدنی و مهندسی عمران ضروری می باشد. بنابراین برای به حداقل رساندن زمان و هزینه می توان از روابط تجربی که به طور گسترده ای برای برآورد خواص پیچیده سنگ ها از داده های حاصل از روش های آسان بهره می گیرد، استفاده نمود. هدف از این مطالعه، بررسی روش های شبکه عصبی مصنوعی (Artificial Neural Network،ANN) و رگرسیون چند متغیره خطی (Multiple linear regression،MLR) به منظور برآورد UCS و E می باشد. در این پژوهش متغیرهای مستقل شاخص مقاومت بار نقطه ای (Point Load Strength Index،Is(۵۰))، سرعت موج (Pressure wave velocity،Vp)، تخلخل (n)، چگالی (γd) و درصد رطوبت (water content،Wn) به عنوان پارامترهای ورودی به منظور پیش بینی متغیرهای وابسته (UCS و E) در هر دو روش استفاده شدند. روش MLR، UCS و E را به ترتیب با ضرایب تعیین ۸۵/۰ = R۲ و ۷۳/۰ = R۲ پیش بینی نموده است. استفاده از شبکه عصبی پرسپترون چندلایه (Multilayer Perceptron،MLP)، ضرایب تعیین را تا سطح قابل قبولی (۹۸/۰ = R۲ برای UCS و ۹۲/۰ = R۲ برای E) بهبود بخشید. در این مطالعه، علاوه بر ضریب تعیین (R۲)، شاخص های ریشه میانگین مربعات خطا (Root Mean Square Error،RMSE) و میانگین قدر مطلق خطا (Mean Absolute Error،MAE)، برای ارزیابی قابلیت پیش بینی، مدل های ANN و MLR پیشنهادی نیز محاسبه شدند. نتایج این مطالعه نشان داد که روش ANN ، عملکرد بهتری در پیش بینی UCS و E نسبت به روش MLR دارد. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  271 - پیش بینی تراز آب زیرزمینی با استفاده از مدل شبکه های عصبی مصنوعی (مطالعه موردی: دشت شبستر)
  زینب مختاری امیرحسین ناظمی عطااله ندیری
  آبهای زیرزمینی، همواره به عنوان یکی از منابع مهم و عمده تأمین آب شرب و کشاورزی به ویژه در مناطق خشک و نیمه خشک مطرح بوده اند . شبیه سازی سیستم آبهای زیرزمینی به دلیل پیچیدگی این سیستمها به آسانی میسر نیست. هدف از این پژوهش، پیش بینی نوسانات تراز آب زیرزمینی دشت شبستر وا أکثر

  آبهای زیرزمینی، همواره به عنوان یکی از منابع مهم و عمده تأمین آب شرب و کشاورزی به ویژه در مناطق خشک و نیمه خشک مطرح بوده اند . شبیه سازی سیستم آبهای زیرزمینی به دلیل پیچیدگی این سیستمها به آسانی میسر نیست. هدف از این پژوهش، پیش بینی نوسانات تراز آب زیرزمینی دشت شبستر واقع در جنوب استان آذربایجان شرقی با استفاده از شبک ههای عصبی مصنوعی می باشد. به منظور آموزش مدل، از اطلاعات 15 پیزومتر که دارای آمار تراز سطح ایستابی با سری زمانی 9 ساله (1380-1388) بودند و در کل دشت پراکندگی یکنواختی داشتند استفاده شد. پارامترهای دما، بارش، دبی خروجی دریان چای و تراز آب زیرزمینی هر یک از پیزومترها با تأخیر زمانی t0-1 (ماه قبل) به صورت ماهانه، چهار ورودی اصلی شبکه های عصبی مصنوعی را تشکیل دادند. مقدار تراز آب زیرزمینی نیز تنها خروجی این شبکه را شامل می شود. نتایج این تحقیق نشان داد که شبکه عصبی مصنوعی با تابع آموزشی TRAINLM و تابع محرک TANSIG، قادر به پیش بینی سطح آب زیرزمینی ماهانه در بازه زمانی 3 ساله با دقت بالای R2= 99.63 (RMSE=1.43) در مرحله آموزش و R2=99.16 (RMSE= 1.167) در مرحله صحت سنجی در محدوده مورد مطالعه است. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  272 - بررسی وب‌سایت‌های شهرداری تهران و ارایه راه‌کارهای مناسب داده‌کاوی
  شایسته شجاعی کاریزکی سودابه شاپوری هاجر زارعی
  هدف: هدف اصلی این پژوهش، شناسایی و تجزیه و تحلیل انواع داده‌های وب‌سایت شهرداری تهران و ارایه راه‌کارهای مناسب داده‌کاوی است. روش پژوهش: این پژوهش بنیادی است و از لحاظ ماهیت می‌توان آن را تحلیلی در نظر گرفت. روش گردآوری داده‌های به صورت میدانی بوده‌است و جامعه آماری 47 أکثر

  هدف: هدف اصلی این پژوهش، شناسایی و تجزیه و تحلیل انواع داده‌های وب‌سایت شهرداری تهران و ارایه راه‌کارهای مناسب داده‌کاوی است. روش پژوهش: این پژوهش بنیادی است و از لحاظ ماهیت می‌توان آن را تحلیلی در نظر گرفت. روش گردآوری داده‌های به صورت میدانی بوده‌است و جامعه آماری 47 سایت که از 220 دامنه شهرداری تهران انتخاب شده‌است و برای تجزیه و تحلیل از تکنیک‌های داده‌کاوی استفاده شده‌است و منبع گردآوری داده‌ها وب‌سنجی و ابزار مورد استفاده گوگل آنالیتیکس می‌باشد. یافته‌ها: میزان دقت الگوریتم شبکه عصبی معمولی برابر با 25/99%  و در نهایت معیار آر.ام.اس.ای الگوریتم شبکه عصبی معمولی برابر با 159/0 است. میزان دقت الگوریتم درخت تصمیم برابر با 99.80% ؛  معیار ام.اس.ای الگوریتم درخت تصمیم برابر با 003/0 و در نهایت معیار آر.ام.اس.ای الگوریتم درخت تصمیم برابر با 045/0است. میزان دقت الگوریتم کی.ان.ان برابر با 81/99%  و در نهایت معیار آر.ام.اس.ای الگوریتم کی.ان.ان برابر با 035/0 است نتیجه‌گیری: بر اساس یافته‌های بدست آمده روش دی.بی.اسکن با سایر روش‌های پایه جهت تجزیه و تحلیل داده‌های وب‌سایت‌های شهرداری تهران برابر و نسبت به سایر روش‌ها از دقت بالاتری برخوردار است. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  273 - بررسی معیارهای متفاوت برای منظم کردن اجزاهای اصلی به منظور ایجاد یک مدل QSPR برای پیش ­بینی نقطه های ذوب
  ولی زارع شاه­ آبادی فاطمه عباسی­ تبار
  براساس اهمیت پیش بینی نقطه های ذوب ترکیب ها، در این مقاله سعی شد که برای دسته وسیعی از ترکیب ها مدل مناسبی که توانایی پیش بینی نقطه های ذوب را در حد مطلوبی داشته باشد، ارایه شود. برای این منظور 4173 ترکیب شیمیایی با ساختارهای متنوع گزارش شده در مقاله های قبلی، انتخاب أکثر

  براساس اهمیت پیش بینی نقطه های ذوب ترکیب ها، در این مقاله سعی شد که برای دسته وسیعی از ترکیب ها مدل مناسبی که توانایی پیش بینی نقطه های ذوب را در حد مطلوبی داشته باشد، ارایه شود. برای این منظور 4173 ترکیب شیمیایی با ساختارهای متنوع گزارش شده در مقاله های قبلی، انتخاب و برای توصیف ساختار آن ها از یک دسته 202 تایی از توصیفکننده های 2D و 3D استفاده شد. این دسته داده ها به دو دسته آموزش و دسته تست به ترتیب با اندازه های 2573 و 1600 تقسیم بندی شد. ارزیابی بیشتر مدل ایجاد شده به کمک یک دسته داده دیگر با اندازه 277 صورت گرفت. برای کاهش حجم ماتریس توصیف کننده ها از تجزیه اجزای اصلی کمک گرفته شد و از شبکه عصبی برای ایجاد مدل استفاده شد. بردارهای ویژه به دست آمده از تجزیه اجزای اصلی بر اساس معیارهای متفاوتی مرتب و به عنوان ورودی شبکه مورد استفاده قرار گرفتند. معیارهای استفاده شده عبارت بودند از بزرگی مقدار ویژه، میزان همبستگی با نقطه ذوب و میزان قدرت پیش بینی کنندگی. بهترین مدل در حالتی بدست آمد که بردارهای ویژه براساس میزان قدرت پیش بینی کنندگی اشان مرتب و به عنوان ورودی استفاده بودند. در پایان پارامترهای شبکه از قبیل تعداد لایه های پنهان، تعداد گره در هر لایه، سرعت یادگیری و مومنتوم بهینه سازی شدند. شبکه با ساختار [25 10 8 1] و سرعت یادگیری 0/7 و مومنتوم 0/16به عنوان شبکه بهینه انتخاب شد. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  274 - کاربرد شبکه عصبی مصنوعی در پیشگویی بازده استخراج یون‌های روی از نمونه‌های حقیقی با استفاده از مولکول نگاری بسپاری
  سید حسین هاشمی مسعود کیخوایی مجید میرمقدم محمد شاکری
  در این مقاله، یک روش مدل‌سازی جدید بر اساس شبکه عصبی مصنوعی سه لایه‌ای برای پیشگویی بازده استخراج یون‌های روی از نمونه‌های حقیقی به‌وسیله‌ی استخراج با مولکول نگاری بسپاری شرح داده می‌شود. داده‌های ورودی مدل شبکه عصبی مصنوعی سه لایه‌ای، pH، زمان جذب و زمان واجذب، مقدار ل أکثر

  در این مقاله، یک روش مدل‌سازی جدید بر اساس شبکه عصبی مصنوعی سه لایه‌ای برای پیشگویی بازده استخراج یون‌های روی از نمونه‌های حقیقی به‌وسیله‌ی استخراج با مولکول نگاری بسپاری شرح داده می‌شود. داده‌های ورودی مدل شبکه عصبی مصنوعی سه لایه‌ای، pH، زمان جذب و زمان واجذب، مقدار لیگاند، حجم محلول و مقدار پلیمر استخراج‌کننده هستند و خروجی آن بازده استخراج یون‌های روی است. میانگین خطای مربعات و ضریب همبستگی بین داده‌های تجربی و پیشگویی‌ها به ترتیب 0/00010 و 0/99923 برای آموزش، 0/0010 و 0/99373 برای ارزیابی و 0/0031 و 0/99178 برای داده‌های آزمایش تعیین شدند. در شرایط بهینه، گستره‌ی خطی دینامیکی در گستره‌ی 20 تا µg.l-1 1000 با حد تشخیص µg.l-1 2/9 به دست آمد. انحراف استاندارد نسبی کمتر از 9/2% بود. این روش برای پیش تغلیظ و تعیین روی در نمونه‌های حقیقی متفاوت با موفقیت به کار گرفته شد. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  275 - مدل‌سازی فرایند تبدیل خشک متان به‌کمک پلاسما با استفاده از شبکه عصبی مصنوعی و الگوریتم ژنتیک
  سیدمرتضی فاضلی فاطمه راوری حمیدرضا بزرگ زاده جعفر صادق زاده اهری
  پیش‌بینی فراورده‌های (هیدروژن و کربن مونوکسید) تبدیل خشک متان به‌کمک پلاسما در فشار جوی با استفاده از شبکه عصبی مصنوعی شبیه‌سازی شد. داده‌های تجربی موردنیاز برای مدل‌سازی شبکه عصبی مصنوعی از یک واکنشگاه پلاسمایی تخلیه کرونا جمع‌آوری شد. اثر عامل‌های فرایندی (توان تخلیه أکثر

  پیش‌بینی فراورده‌های (هیدروژن و کربن مونوکسید) تبدیل خشک متان به‌کمک پلاسما در فشار جوی با استفاده از شبکه عصبی مصنوعی شبیه‌سازی شد. داده‌های تجربی موردنیاز برای مدل‌سازی شبکه عصبی مصنوعی از یک واکنشگاه پلاسمایی تخلیه کرونا جمع‌آوری شد. اثر عامل‌های فرایندی (توان تخلیه پلاسما، دبی خوراک ورودی) بر کارایی تبدیل متان و گزینش‌پذیری نسبت به فراورده‌های مورد بررسی قرار گرفتند. شبکه پیش‌خور با الگوریتم پس انتشار خطا، تابع آموزش انتشار رو به عقب لونبرگ مارکوارت، تابع فعال‌سازی سیگموئیدی برای لایه مخفی و تابع فعال‌سازی خطی برای لایه خروجی، مناسب‌ترین شبکه عصبی به‌دست آمده در این پژوهش است. برای مثال، مدل شبکه عصبی مصنوعی تبدیل متان 25/12% و گزینش پذیری نسبت به هیدروژن و کربن‌مونوکسید به ترتیب 71/15% و 74/85% را در توان تخلیه 4 وات پیش‌بینی کرد که مقادیر خطای مدل برای درصد تبدیل متان، گزینش‌پذیری نسبت به هیدروژن و کربن‌مونوکسید به ترتیب برابر 0/47%،1/2% و 0/2% است. برای رسیدن به شرایط بهینه عملیاتی در فرایند تبدیل از ترکیب الگوریتم ژنتیک و شبکه عصبی مصنوعی استفاده شد. نتیجه‌ها نشان دادند که شدت‌جریان خو.راک ورودی بهینه 175 میلی‌لیتر بر دقیقه و توان تخلیه بهینه 6 وات بود. در این شرایط درصد تبدیل متان 25/85% و گزینش‌پذیری نسبت به هیدروژن برابر 65/15% به‌دست آمد. اختلاف کوچک در شرایط عملیاتی بهینه بین مقادیر پیش‌بینی شده و تجربی، تأیید می‌کند که مدل شبکه عصبی مصنوعی ترکیب شده با الگوریتم ژنتیک، ابزاری مناسب برای مدل‌سازی و بهینه‌سازی فرایند تبدیل خشک متان به‌کمک پلاسماست. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  276 - روش‌های خطی و غیرخطی ارتباط کمی‌ساختار- فعالیت جهت پیش‌بینی فعالیت دارویی برخی از مشتقات آمینواسیدها
  مهدی نکویی مجید محمدحسینی مهدی رحیمی عبدالرضا علوی‌قره‌باغ
  این پژوهش به پیش‌بینی فعالیت دارویی 38 مشتق آمینواسید به عنوان بازدارنده‌های هیستون دی استیلاز (HDAC) جهت درمان سرطان و برخی از بیماری‌ها اختصاص دارد. آنزیم‌های HDAC موجب تسریع روند حذف گروه‌های استیل از باقیمانده‌های لیزین از پروتیین‌های شامل هیستون (Histone) می‌شوند. أکثر

  این پژوهش به پیش‌بینی فعالیت دارویی 38 مشتق آمینواسید به عنوان بازدارنده‌های هیستون دی استیلاز (HDAC) جهت درمان سرطان و برخی از بیماری‌ها اختصاص دارد. آنزیم‌های HDAC موجب تسریع روند حذف گروه‌های استیل از باقیمانده‌های لیزین از پروتیین‌های شامل هیستون (Histone) می‌شوند. پس از محاسبه‌ی توصیف‌کننده‌های مولکولی مستقل، با استفاده از روش مرحله‌ای انتخاب متغیر و گزینش 4 توصیف‌کننده، جهت مدل‌سازی از رگرسیون خطی چندگانه (MLR) و شبکه‌ی عصبی مصنوعی (ANN) استفاده شد. سری‌های آموزش و آزمون جهت ساخت مدل و ارزیابی قدرت پیش‌بینی روش‌های MLR و ANN به ترتیب شامل 30 و 8 ترکیب بودند. افزون‌بر آن، از روش‌های متفاوت جهت ارزیابی مدل‌ها استفاده شد. نتیجه‌ها حاکی از آن است که روش غیرخطی شبکه‌ی عصبی مصنوعی در مجموع دارای توانمندی پیش‌بینی مناسب‌تر در مقایسه با روش ‌MLR است. شاخص‌های آماری مرتبط با مدل مبتنی بر شبکه‌ی عصبی مصنوعی دلالت بر این حقیقت دارد که مدل ارایه شده می‌تواند جهت پیش‌بینی فعالیت دارویی ترکیب‌های مشابه مورد استفاده قرار گیرد. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  277 - 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
  
  278 - پیش‌بینی عوامل مؤثر بر خطر سقوط آتی قیمت سهام بر اساس روش شبکه عصبی شعاع‌مدار
  رضا اعطائی زاده رویا دارابی
  هدف اصلی این پژوهش، پیش‌بینی عوامل مؤثر بر خطر سقوط آتی قیمت سهام بر اساس روش شبکه عصبی شعاع‌مدار در شرکت‌های پذیرفته‌شده در بورس اوراق بهادار تهران، طی دوره زمانی 1388 تا 1393 است؛ که برای جمع‌آوری مبانی نظری پژوهش از روش کتابخانه‌ای، از کتاب‌ها، پایان‌نامه‌ها و مقالات أکثر

  هدف اصلی این پژوهش، پیش‌بینی عوامل مؤثر بر خطر سقوط آتی قیمت سهام بر اساس روش شبکه عصبی شعاع‌مدار در شرکت‌های پذیرفته‌شده در بورس اوراق بهادار تهران، طی دوره زمانی 1388 تا 1393 است؛ که برای جمع‌آوری مبانی نظری پژوهش از روش کتابخانه‌ای، از کتاب‌ها، پایان‌نامه‌ها و مقالات و برای جمع‌آوری اطلاعات آماری از صورت‌های مالی و یادداشت‌های همراه آن استفاده‌شده است. روش تجزیه‌وتحلیل در این پژوهش، روش شبکه عصبی شعاع‌مدار است و برای تجزیه‌وتحلیل از نرم‌افزار SPSS23 استفاده‌شده است. نتایج پژوهش، بیانگر آن است که پیش‌بینی عوامل مؤثر بر خطر سقوط آتی قیمت سهام، بر اساس روش شبکه عصبی شعاع‌مدار امکان‌پذیر است و به ترتیب، هزینه اختیاری غیرعادی در اولویت اول، فرصت رشد در اولویت دوم، جریان نقدی عملیاتی غیرعادی در اولویت سوم، ساختار سرمایه در اولویت چهارم و اندازه شرکت در اولویت پنجم بر خطر سقوط آتی قیمت سهام تأثیر دارند. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  279 - Application of Fuzzy ARTMAP Neural Networks for Epileptic spike detection Using Wavelet Feature Extraction
  فاطمه صفری علی فرخی نعمت طالبی
  This paper aims to introduce two different classifier systems based on fuzzy ARTMAP neural network for the automatic detection of epileptic spikes in 19-channel human electroencephalogram these algorithm (EEG) are fast and delivers satisfactory results. EEG signals are أکثر

  This paper aims to introduce two different classifier systems based on fuzzy ARTMAP neural network for the automatic detection of epileptic spikes in 19-channel human electroencephalogram these algorithm (EEG) are fast and delivers satisfactory results. EEG signals are decomposed into 4 sub-bands by means of Discrete Wavelet Transform (DWT). The inputs of the networks consist of two different features, which are extracted from the sub-bands 3 and 4. The performances of the classifiers introduced in this paper, are compared with each other’s and other similar systems, according to the sensitivity, specificity and selectivity values. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  280 - 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
  
  281 - پیش‌بینی شاخص سهام با استفاده از ترکیب شبکه عصبی مصنوعی و مدل‌های فرا ابتکاری جستجوی هارمونی و الگوریتم ژنتیک
  مریم دولو تکتم حیدری
  هدف پژوهش حاضر پیش‌بینی شاخص قیمت بورس اوراق بهادار تهران با استفاده از مدل شبکه عصبی هیبریدی مبتنی بر الگوریتم ژنتیک و جستجوی هارمونی است. مربوط‌ترین نماگرهای تکنیکی به عنوان متغیرهای ورودی و تعداد بهینه نرون در لایه پنهان شبکه عصبی مصنوعی با استفاده از الگوریتم‌های فر أکثر

  هدف پژوهش حاضر پیش‌بینی شاخص قیمت بورس اوراق بهادار تهران با استفاده از مدل شبکه عصبی هیبریدی مبتنی بر الگوریتم ژنتیک و جستجوی هارمونی است. مربوط‌ترین نماگرهای تکنیکی به عنوان متغیرهای ورودی و تعداد بهینه نرون در لایه پنهان شبکه عصبی مصنوعی با استفاده از الگوریتم‌های فراابتکاری ژنتیک و جستجوی هارمونی حاصل می‌گردد. مقادیر روزانه شاخص قیمت بورس اوراق بهادار تهران از تاریخ 1/10/91 الی 30/9/94 جهت پیش‌بینی شاخص قیمت و آزمون آن استفاده می‌شود. دقت پیش‌بینی سه مدل شبکه عصبی عادی، شبکه عصبی هیبریدی مبتنی بر الگوریتم ژنتیک و شبکه عصبی هیبریدی مبتنی بر جستجوی هارمونی بر اساس میزان خطای پیش‌بینی ارزیابی می‌گردد. نتایج حاصله نشان می‌دهد دقت پیش‌بینی مدل‌های فراابتکاری ژنتیک و جستجوی هارمونی در دوره آزمون بالاتر از شبکه عصبی عادی است. همچنین پیش‌بینی مدل شبکه عصبی هیبریدی مبتنی بر جستجوی هارمونی در دوره آزمون نسبت به مدل شبکه عصبی مصنوعی هیبریدی مبتنی بر الگوریتم ژنتیک از دقت بالاتری برخوردار است. This study is aimed to predict the price index of Tehran Stock Exchange using hybrid Artificial Neural Network (ANN) models based on Genetic Algorithms (GA) and Harmony Search (HS). The most relevant technical indicators as inputs and the optimal number of neurons in hidden layer of Artificial Neural Network are achieved by metaheuristics including Genetic Algorithms and Harmony Search. Daily price index of Tehran Stock Exchange from 21 December 2012 to 21 December 2015 applied to predict and test stock index. The accuracy of forecasting of three models including Regular Artificial Neural Network model, hybrid neural networks based on GA and hybrid neural networks based on HS is evaluated by the prediction error. The results show that the accuracy of prediction in Metaheuristics models such as Genetic Algorithms and Harmony Search in test period is higher than normal Artificial Neural Network. Also prediction by hybrid neural network model based on harmony Search during the test period compared to hybrid Artificial Neural Network model based on Genetic Algorithm is more accurate. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  282 - بررسی اثر روابط اعطای تسهیلات بر هزینه مبادله تسهیلات بانکی: مطالعه موردی بانک کشاورزی
  عباس عرب مازار مهرداد نعمتی امیر درویشی
  هدف از انجام این مطالعه، اندازه گیری اثر متغیر روابط اعطای تسهیلات بر هزینه مبادله (هماهنگی) اعطای تسهیلات بانکی در بانک کشاورزی و بررسی توالی اهمیت متغیرهای تاثیر گذار بر هزینه مبادله می باشد. هزینه های مبادله در کشورهای در حال توسعه به ویژه در بخش اعتباری بالا است و أکثر

  هدف از انجام این مطالعه، اندازه گیری اثر متغیر روابط اعطای تسهیلات بر هزینه مبادله (هماهنگی) اعطای تسهیلات بانکی در بانک کشاورزی و بررسی توالی اهمیت متغیرهای تاثیر گذار بر هزینه مبادله می باشد. هزینه های مبادله در کشورهای در حال توسعه به ویژه در بخش اعتباری بالا است و بالا بودن این هزینه باعث کاهش کارایی نظام بانکی و عملکرد آن می شود. داده های مورد استفاده در این مطالعه از طریق پرسشنامه که حاصل داده های ذهنی و تجربی افراد تکمیل کننده پرسشنامه ها می باشد به دست آمده است. در این مطالعه به منظور بررسی فرضیه های مطرح شده و مشخص کردن اهمیت متغیرهای تاثیر گذار بر هزینه مبادله، از روش شبکه عصبی مصنوعی استفاده شده است. یافته های مطالعه نشان می دهد که روابط اعطای تسهیلات، از طریق اثر گذاری بر سایر متغیر های موثر، منجر به کاهش هزینه مبادله در جهت اعطای تسهیلات شده و در نتیجه، بانک کشاورزی با تاکید بر این رویکرد می تواند کارایی اش را از طریق کاهش هزینه مبادله افزایش داده و از منابع مالی خود به صورت بهینه استفاده کند. The aim of this study is measuring the effect of lending relationship on transaction costs (coordination costs) in bank lending for agricultural bank and sequence analysis of factors which affects on transaction costs. Transaction costs in developing countries, especially in credit sectors are high and that high cost factor, leads to reduced the performance of the economy. The data used in this study were obtained through questionnaires and they were completed by people who has experienced about this issue. In this study, Artificial neural network method is used for raising hypothesis and identifying the variables affecting on transaction costs. This study suggest that the relationship lending, through the influence of other variables, leading to lower transaction costs for lending and, consequently, the Agricultural Bank can reduce its effectiveness through transaction costs and increase their financial resources optimally by emphasizing on this approach. Keywords: Lending Relationships, Transaction Cost, Coordination Cost, Artificial Neural Network Classification JEL: C13، C52, B41 تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  283 - 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
  
  284 - 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
  
  285 - 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
  
  286 - مقایسه برآورد تلاطم بازارهای مالی با استفاده از مدل رگرسیون و مدل شبکه عصبی
  محمد عظیم خدایاری احمد یعقوب نژاد مریم خلیلی عراقی
  20.1001.1.25383833.1399.14.52.10.0)
  تلاطمبهعنوانیکعاملمؤثردرتعیینریسکسرمایه گذاری،میتواندنقشمهمیدر تصمیم گیریسرمایه گذارانایفاکند. یکتخمینمناسبازتلاطمبازاردریکدورةسرمایه گذارینقطةآغازینبسیارمهمیدرکنترلریسکسرمایه گذاری است. تلاطم در بازارهای مالی نقشی کلیدی ایفا می کند، بنابراین ان را باید شناخت واندازه گی أکثر

  تلاطمبهعنوانیکعاملمؤثردرتعیینریسکسرمایه گذاری،میتواندنقشمهمیدر تصمیم گیریسرمایه گذارانایفاکند. یکتخمینمناسبازتلاطمبازاردریکدورةسرمایه گذارینقطةآغازینبسیارمهمیدرکنترلریسکسرمایه گذاری است. تلاطم در بازارهای مالی نقشی کلیدی ایفا می کند، بنابراین ان را باید شناخت واندازه گیری و پیش بینی کرد و برنامه ای در نظر گرفت که بتوان تلاطم بازار را که برتصمیم سرمایه گذاران تاثیر دارد را مدیریت نمود. با توجه به اهمیت پیش بینی تلاطم بازار، هدف اصلی پژوهش حاضر مقایسه دو روش پیش بینی تلاطم بازار است. نتایج این پژوهش نشان می دهد که ترکیب شبکه عصبی مصنوعی و نسبت های مالی قابلیت پیش بینی تلاطم بازار سرمایه گذاری را دارند و با توجه به مجموع مجذور خطا مدل ارائه شده با استفاده از شبکه عصبی در این پژوهش عملکرد بهتری در پیش بینی تلاطم بازار سرمایه گذاری نسبت به رگرسیون خطی دارد.Volatility as an effective factor in determining investment risk can play an important role in decision making of investors. An appropriate estimate of market volatility in an investment period is an important starting point in investment risk control. Volatility plays a key role in financial markets, so it needs to be recognized and calculated, and plans to manage market volatility that affect investors ' decision. Due to the importance of market volatility, the main objective of this research is to compare two methods before market volatility. The results of this research show that the combination of artificial neural network and financial ratios are capable to predict the volatility of capital market volatility and according to the total error of the model presented using neural network in this research has better performance in the forecasting of capital market volatility than linear regression. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  287 - 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
  
  288 - 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
  
  289 - طراحی سیستم هشدار سریع برای ریسک اعتباری مشتریان حقیقی و حقوقی بانک با استفاده از مدل های شبکه عصبی، تابع احتمال بقا و ماشین بردار پشتیبان
  رویا درخشانی میر فیض فلاح حسین جهانگیرنیا رضا غلامی جمکرانی حمیدرضا کردلویی
  ریسک اعتباری احتمال کوتاهی مشتری نسبت به انجام تعهدات، طبق شرایط توافق شده است. به عبارت دیگر نااطمینانی در مورد دریافت عایدات آتی سرمایه گذاری را ریسک می‌گویند که در بانک‌ها از اهمیت بالایی برخوردار است. هدف این مقاله برآورد ریسک اعتباری مشتریان حقیقی و حقوقی بوده است. أکثر

  ریسک اعتباری احتمال کوتاهی مشتری نسبت به انجام تعهدات، طبق شرایط توافق شده است. به عبارت دیگر نااطمینانی در مورد دریافت عایدات آتی سرمایه گذاری را ریسک می‌گویند که در بانک‌ها از اهمیت بالایی برخوردار است. هدف این مقاله برآورد ریسک اعتباری مشتریان حقیقی و حقوقی بوده است. در این مطالعه از اطلاعات آماری 400 مشتری حقیقی و 7500 مشتری حقوقی استفاده شده است. در این راستا نتایج مدل شبکه عصبی و مدل ناشی از ماشین بردار پشتیبان مورد مقایسه قرار گرفته‌است. نتایج بدست آمده بیانگر این بوده‌است که مولفه‌های در نظر گرفته شده در این مطالعه بر اساس ویژگی‌های شتخصیتی، مالی و اقتصادی اثرات معناداری در احتمال نکول مشتریان و محاسبه ریسک اعتباری داشته است. همچنین نتایج این مطالعه نشان داد اعمال سیاست‌های کنترلی در ابتدای دوره بازپرداخت تسهیلاتی که بیشترین احتمال نکول را با طول عمر و بازپرداخت بالا دارند پیشنهاد می‌دهد. مقایسه نتایج حاصل از دقت پیش بینی بیانگر قدرت بالاتر توضیح دهندگی مدل ماشین بردار پشتیبان و استفاده از تابع احتمال بقاء نسبت به مدل شبکه عصبی ساده برای هر دو گروه از مشتریان بوده است. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  290 - ارزیابی مولفه های BIS با استفاده از منطق فازی و شبکه عصبی
  فرشته اسدالهیان حامد شاکریان
  در پژوهش حاضر به بررسی میزان سیستم هوش تجاری یک مجموعه شرکتها با مدیریت مشترک پرداخته میشود. در این پژوهش 126 نفر که شامل افرادی با تحصیلات بالای دیپلم بودند بعنوان نمونه به پاسخگویی به سوالات پرسشنامه پرداختند. از روش FAHP برای اندازه گیری شاخص سیستم هوش تجاری در شرکت أکثر

  در پژوهش حاضر به بررسی میزان سیستم هوش تجاری یک مجموعه شرکتها با مدیریت مشترک پرداخته میشود. در این پژوهش 126 نفر که شامل افرادی با تحصیلات بالای دیپلم بودند بعنوان نمونه به پاسخگویی به سوالات پرسشنامه پرداختند. از روش FAHP برای اندازه گیری شاخص سیستم هوش تجاری در شرکت استفاده شد. پس از آن از روش FTOPSIS به بررسی سیستم هوش تجاری پرداخته شد. در نهایت با استفاده از شبکه عصبی به پیش بینی نظرات افراد جدید الورود به شرکت در مورد سیستم هوش تجاری پرداخته شد. نتیجه بدست آمده از FAHP نشان داد که عملیات ساخت و ساز سیستم با وزن 307/0 بیشترین وزن را بدست آورده، رضایت کاربر از سیستم با وزن 286/0 در رتبه دوم قرار دارد. همچنین تاثیرات داخلی و نفوذ خارجی بترتیب با وزنهای 252/0 و 174/0 در رتبه سوم و چهارم قرار گرفتند. نتیجه بدست آمده از FTOPSIS نشان داد که نفوذ خارجی با وزن 006158/0 بیشترین وزن را بدست آورده، رضایت کاربر از سیستم با وزن 006078/0 در رتبه دوم قرار دارد. همچنین تاثیرات داخلی و عملیات ساخت و ساز سیستم بترتیب با وزنهای 005888/0 و 00587/0 در رتبه سوم و چهارم قرار گرفتند. در انتها بوسیله شبکه عصبی توانستیم در سطح اطمینان بالای 90 درصد به پیش بینی نظرات افراد جدید الورود به شرکت بپردازیم زیرا منحنی ROC به سرعت به سمت 1 گرایش پیدا میکرد. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  291 - پیش بینی مدیریت سود با استفاده از شبکه عصبی و درخت تصمیم
  مهدی صالحی لاله فرخی پیله رود
  بسیاری از موارد بحران‌های مالی مربوط به شرکت‌های سهامی عام بوده که درحال افزایش است. بسیاری از سرمایه گذاران و اعتباردهندگان در مورد پیش بینی بحران مالی به خصوص زمانی که مدیریت سود رخ می‌دهد مشکلاتی دارند. تحقیقات اخیر به شناسایی عوامل و فاکتورهای مرتبط با مدیریت سود می أکثر

  بسیاری از موارد بحران‌های مالی مربوط به شرکت‌های سهامی عام بوده که درحال افزایش است. بسیاری از سرمایه گذاران و اعتباردهندگان در مورد پیش بینی بحران مالی به خصوص زمانی که مدیریت سود رخ می‌دهد مشکلاتی دارند. تحقیقات اخیر به شناسایی عوامل و فاکتورهای مرتبط با مدیریت سود می‌پردازد. بنابراین از طریق آن قادر به تعیین ارتباط میان این عوامل و دستکاری سود هستند. به منظور کاهش ریسک بحران‌های مالی ناشی ازآن و کمک به سرمایه گذاران برای اجتناب از زیان‌های بزرگ در بازار سهام لازم است تا مدلی برای پیش بینی مدیریت سود توسعه یابد. هدف اصلی این تحقیق بررسی دقت پیش بینی مدیریت سود با استفاده از شبکه های عصبی و درخت تصمیم گیری و مقایسه آن بامدل های خطی است. برای این منظور نه متغیر تأثیرگذار بر مدیریت سود به عنوان متغیرهای مستقل و اقلام تعهدی اختیاری، به عنوان متغیر وابسته مورد استفاده قرار گرفته است. در این تحقیق از چهار صنعت کشاورزی، دارویی، نساجی و فرآورده‌های نفتی، تعداد 36 شرکت مورد بررسی قرارگرفت. از روش رگرسیون کمترین مربعات جهت مدل خطی و از شبکه عصبی پیشخور تعمیم یافته و درخت تصمیم گیری Cart, C5.0 جهت بررسی از طریق تکنیک‌های داده کاوی استفاده شد. نتایج حاصل از این تحقیق نشان دادکه روش شبکه عصبی و درخت تصمیم گیری در پیش بینی مدیریت سود نسبت به روش‌های خطی دقیق تر و دارای سطح خطای کمتری است. در رابطه با ارتباط بین متغیرهای وابسته با متغیر مستقل نیز می‌توان گفت، مدیریت سود با متغیرهای اقلام تعهدی اختیاری دوره قبل ، اقلام تعهدی غیراختیاری دوره قبل یا آستانه عملکرد و ریسک درچهار روش مدل‌های خطی، شبکه عصبی، درخت‌های C5.0 و Cart دارای بیشترین ارتباط است. Abstract Many financial crisis cases related to the public companies have increased recently, but many investors and creditors are difficult to foresee the financial crisis, especially in the cases with earnings management. In literature, many studies related to earnings management only focus on identifying some related factors which can significantly affect earnings management. Therefore, we can only figure out the correlation between these factors and earnings management. In order to decrease the financial crisis risks derived from earnings management and help the investors avoid suffering a great loss in the stock market, we developed a neural network model to predict the level of earnings management. This study aims to investigate the accuracy of earning management forecast by neural network and decision making tree as well as comparing that by linear models. To these end nine effective variables on earnings management were used as independent variables and discretionary accruals as dependent variables. From four industries: agriculture, pharmaceutical, textile and petroleum, 36 firms selected during 2006 to 2013. The least squares regression for linear model, generalized feed forward neural network and decision making tree c5.0, cart were applied for data mining. The results indicated that neural network and decision making tree has the least error in forecasting earnings management than more accurate linear methods. Concerning the relationship between dependent and independent variables, it is said that earning managements by discretionary accrual variables of the prior period (DAI), non-discretionary accruals of prior period or threshold performance (THOD) and risk (Risk) in four linear models, neural network, C5.0 trees and cart has the most correlation. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  292 - مدل‌سازی پیش‌بینی EPS با استفاده از شبکه‌های عصبی - فازی
  علی اصغر انواری رستمی عادل آذر محمد نوروزی
  پیش‌بینی سود هر سهم و تغییرات آن به‌عنوان یک رویداد اقتصادی از دیرباز موردعلاقه سرمایه‌گذاران، مدیران، تحلیل گران مالی و اعتباردهندگان بوده است. این توجه ناشی از استفاده سود در مدل‌های ارزیابی سهام، کمک به کارکرد کارای بازار سرمایه، ارزیابی توان پرداخت و ارزیابی عملکرد أکثر

  پیش‌بینی سود هر سهم و تغییرات آن به‌عنوان یک رویداد اقتصادی از دیرباز موردعلاقه سرمایه‌گذاران، مدیران، تحلیل گران مالی و اعتباردهندگان بوده است. این توجه ناشی از استفاده سود در مدل‌های ارزیابی سهام، کمک به کارکرد کارای بازار سرمایه، ارزیابی توان پرداخت و ارزیابی عملکرد واحد اقتصادی می‌باشد. هدف این تحقیق پیش‌بینی سود هر سهم با استفاده از شبکه عصبی – فازی و شبکه عصبی درک چندلایه(MLP) و GMDH و تعیین مدل برتر با استفاده از چهار معیار مربع میانگین خطای استاندارد(MSE) ، میانگین قدر مطلق خطا (MAE)، مربع مجذور میانگین خطا (RMSE) و (R2) ضریب تعیین می‌باشد. بدین منظور، شرکت‌های پذیرفته‌شده در بورس و اوراق بهادار تهران به‌عنوان جامعه آماری و نمونه انتخابی شامل،500 سال/شرکت در قالب 24 صنعت فعال بورس در دوره زمانی 1390- 1386 می‌باشد که به‌صورت تصادفی و روش نمونه‌گیری خوشه‌ای انتخاب‌شده‌اند. نتایج تحقیق بیانگر برتری شبکه عصبی – فازی در تمامی چهار معیار ارزیابی نسبت به شبکه عصبی MLP و GMDH می‌باشد که نشان از توانایی بالای این شبکه در شناخت الگوهای حاکم برداده‌ها و وجود رابطه غیرخطی برخی متغیرهای حسابداری با سود هر سهم دارد. درنتیجه دقت پیش‌بینی شبکه عصبی – فازی بیشتر از شبکه¬ی MLP و GMDH است و برای پیش‌بینی سود هر سهم مناسب می‌باشد تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  293 - موانع موجود در تعیین قیمت سهام به روش شبکه عصبی مصنوعی
  رویا دارابی ربابه کریمی راسته کناری
  هدف این پژوهش بررسی موانع موجود در تعیین قیمت سهام به روش شبکه عصبی مصنوعی در شرکت‌های صنایع فلزی و کانی پذیرفته شده در بورس اوراق بهادار تهران می‌باشد. در این پژوهش از دو روش تحلیل آماری و شبکه عصبی استفاده شده‌است. در روش تحلیل آماری پرسشنامه‌ای تدوین گردید که بین کار أکثر

  هدف این پژوهش بررسی موانع موجود در تعیین قیمت سهام به روش شبکه عصبی مصنوعی در شرکت‌های صنایع فلزی و کانی پذیرفته شده در بورس اوراق بهادار تهران می‌باشد. در این پژوهش از دو روش تحلیل آماری و شبکه عصبی استفاده شده‌است. در روش تحلیل آماری پرسشنامه‌ای تدوین گردید که بین کارشناسان ارشد بورس اوراق بهادار و اساتید دانشگاه آزاد واحد‌های شهر تهران که به مفاهیم شبکه عصبی و پیش‌بینی قیمت سهام آشنایی کامل دارند، توزیع شد و با استفاده از آزمون t و کای اسکور به بررسی فرضیات پژوهش پرداخته و در نهایت تمام فرضیه‌ها مورد تایید قرار گرفت. مجددا فرضیات پژوهش با استفاده از روش شبکه عصبی پس انتشار خطا و با استفاده از مدل آموزش لورنبرگ – مارکوات مورد بررسی قرار گرفت و مشخص گردید در حالتی که شاخص‌ها به‌عنوان ورودی وارد شبکه می‌گردند پیش‌بینی قیمت سهام نسبت به حالتی که شاخص‌ها به‌عنوان ورودی وارد شبکه نمی‌گردند، از دقت کافی برخوردار نیست و در عین حال خطای شبکه هم افزایش می‌یابد. در نهایت نتایج شبکه عصبی با نتایج تحلیل آماری مطابقت دارد به عبارتی در هر دو روش، شاخص‌ها به‌عنوان موانعی در پیش‌بینی قیمت سهام به روش شبکه عصبی تعیین گردیده است. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  294 - مقایسه قدرت پیش بینی بحران مالی توسط تکنیک های مختلف هوش مصنوعی
  زهرا پورزمانی حسن کلانتری
  امروزه پیشرفت سریع فن‌آوری و تغییرات محیطی وسیع، منجر به رقابت روزافزون شده و دستیابی به سود را محدود و احتمال دچار شدن به بحران مالی را افزایش داده است. هدف این تحقیق بررسی قدرت پیش‌بینی بحران مالی توسط تکنیک‌های مختلف هوش مصنوعی(الگوریتم ژنتیک خطی و غیر خطی و شبکه عصب أکثر

  امروزه پیشرفت سریع فن‌آوری و تغییرات محیطی وسیع، منجر به رقابت روزافزون شده و دستیابی به سود را محدود و احتمال دچار شدن به بحران مالی را افزایش داده است. هدف این تحقیق بررسی قدرت پیش‌بینی بحران مالی توسط تکنیک‌های مختلف هوش مصنوعی(الگوریتم ژنتیک خطی و غیر خطی و شبکه عصبی) است. بر اساس اطلاعات و آمارهای در دسترس شرکت‌های پذیرفته شده در بورس اوراق بهادار تهران در طی دوره 1389-1376، از بین شرکت‌های مشمول ماده 141 قانون تجارت، 72 شرکت و از بین بقیه شرکت‌ها نیز 72 شرکت انتخاب شد. نتایج آزمون مک‌نمار برای تکنیک‌های الگوریتم ژنتیک غیرخطی و شبکه عصبی نشان می‌دهد که تفاوت معنی‌داری بین نتایج الگوریتم ژنتیک خطی و غیرخطی با شبکه عصبی وجود ندارد. اگر چه دقت پیش‌بینی الگوریتم ژنتیک غیرخطی(90 درصد) و الگوریتم ژنتیک خطی(80 درصد) بیشتر از شبکه عصبی(70 درصد) است ولی این تفاوت از لحاظ آماری معنی‌دار نیست. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  295 - تاثیر کیفیت سود بر پیش‌بینی ورشکستگی با استفاده از شبکه عصبی مصنوعی
  بیتا مشایخی حمیدرضا گنجی
  پیش‌بینی تداوم فعالیت عملیاتی واحدهای اقتصادی در دوره‌های آتی، یکی از عناصر مهم در تصمیم‌گیری برای سرمایه‌گذاران بوده و در این میان انتخاب متغیرهای پیش‌بینی کننده همواره به‌عنوان یکی از مسائل چالش برانگیز در ادبیات پیش‌بینی ورشکستگی مطرح بوده است که در راس آن‌ها همواره أکثر

  پیش‌بینی تداوم فعالیت عملیاتی واحدهای اقتصادی در دوره‌های آتی، یکی از عناصر مهم در تصمیم‌گیری برای سرمایه‌گذاران بوده و در این میان انتخاب متغیرهای پیش‌بینی کننده همواره به‌عنوان یکی از مسائل چالش برانگیز در ادبیات پیش‌بینی ورشکستگی مطرح بوده است که در راس آن‌ها همواره سود حسابداری و متغیرهای سود‌آوری قرار داشته است. بنابراین کیفیت سود حسابداری از معیارهای با اهمیت در تصمیم‌گیری‌های سرمایه‌گذاری در پیش‌بینی ورشکستگی محسوب می‌گردد. این پژوهش سعی بر آن دارد تا با مقایسه توان پیش‌بینی متغیرهای سودآوری شرکت‌هایی با سود باکیفیت و شرکت‌هایی با سود بی کیفیت، اثر کیفیت سود بر کارائی متغیرهای سودآوری در پیش‌بینی ورشکستگی را مورد بررسی قرار دهد. در نمونه‌ای که از بین شرکت‌های حاضر در بورس اوراق بهادار تهران انتخاب گردید، ابتدا بر اساس آزمون کولموگوروف-اسمیرنوف به بررسی نرمال بودن توزیع پرداخته شده، در ادامه میزان دقت و خطای نوع اول و دوم مدل شبکه عصبی برای دو گروه شرکت‌های با کیفیت سود بالا و پایین بررسی شده و سپس از آزمون t به منظور مقایسه میانگین دو نمونه در سطح اطمینان 95% استفاده گردید. یافته‌ها نشان می‌دهد که دقت پیش‌بینی شبکه عصبی مصنوعی برای شرکت‌های با سود با کیفیت به‌طور معنی داری بیشتر از شرکت‌های با سود بی کیفیت می‌باشد. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  296 - 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
  
  297 - طراحی مدل ارزیابی رتبه بندی اعتباری اوراق بهادار اسلامی با رویکرد شبکه‌های عصبی- فازی تطبیق‌پذیر
  محمد شعبانی ورنامی حسین دیده خانی علی خوزین آرش نادریان
  هدف این پژوهش، طراحی مدل رتبه‌بندی اعتباری ناشران و ابزارهای تامین مالی اوراق بهادار اسلامی در بازار سرمایه ایران است. جهت انجام این هدف، سه گام اصلی انجام پذیرفت. گام اول، شناسایی معیارهای ارزیابی و یا همان ریسک‌های مرتبط با اوراق بهادار اسلامی بود که توسط خبرگان و مرو أکثر

  هدف این پژوهش، طراحی مدل رتبه‌بندی اعتباری ناشران و ابزارهای تامین مالی اوراق بهادار اسلامی در بازار سرمایه ایران است. جهت انجام این هدف، سه گام اصلی انجام پذیرفت. گام اول، شناسایی معیارهای ارزیابی و یا همان ریسک‌های مرتبط با اوراق بهادار اسلامی بود که توسط خبرگان و مروری بر مبانی نظری انجام پذیرفت. گام دوم، مدلسازی اوراق بهادار اسلامی با استفاده از مدل شبکه عصبی- فازی تطبیق‌پذیر بود که میانگین خطای آموزش تمامی مدل‌های اصلی و زیرمجموعه کمتر از حد آستانه بود. گام سوم، بکارگیری مدل‌سازی سیستم عصبی فازی در رتبه‌بندی اعتباری اوراق بهادار اسلامی می‌باشد. برای انجام این کار، در مرحله اول رتبه‌بندی ناشر بوده است که نتایج پژوهش نشان داد که ناشر دولت دارای کمترین و شرکت‌های خصوصی دارای بیشترین ریسک میباشند. در مرحله دوم برای رتبه‌بندی ابزارهای تأمین مالی، نتایج نشان داد که برای ناشر دولت اوراق اسناد خزانه دارای کمترین و اوراق سلف دارای بیشترین ریسک می-باشند. برای ناشر شرکت‌های دولتی، اوراق سلف دارای بیشترین و اوراق اجاره دارای کمترین ریسک می‌باشد. برای ناشر شرکت‌های مرتبط با نهادهای عمومی، اوراق مرابحه دارای بیشترین و اوراق اجاره دارای کمترین ریسک می‌باشد. برای ناشر شرکت‌های خصوصی، اوراق مشارکت دارای بیشترین و اوراق اجاره دارای کمترین ریسک میباشد. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  298 - 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
  
  299 - 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
  
  300 - 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
  
  301 - ارائه مدل پیشنهادی برای سنجش پایداری مالی شرکت با استفاده از روش اکونوفیزیک و شبکه عصبی مصنوعی
  مولود سلیمانی فائق احمدی محمدحسین رنجبر حمیدرضا وکیلی فرد
  مفهوم پایداری مالی نزدیک به دو دهه است که در متون اقتصادی واردشده است. در ادبیات نظری مالی، پایداری مالی شرکت را می‌توان به‌عنوان یک سیستم مالی که متشکل از واسطه‌گری‌های مالی، بازارها و زیرساخت‌های بازار که قادر به تحمل ریسک شوک‌ها و برطرف کردن عدم تعادل‌های مالی می‌باش أکثر

  مفهوم پایداری مالی نزدیک به دو دهه است که در متون اقتصادی واردشده است. در ادبیات نظری مالی، پایداری مالی شرکت را می‌توان به‌عنوان یک سیستم مالی که متشکل از واسطه‌گری‌های مالی، بازارها و زیرساخت‌های بازار که قادر به تحمل ریسک شوک‌ها و برطرف کردن عدم تعادل‌های مالی می‌باشد بیان نمود. لذا مطابق با استدلال فوق، هدف از پژوهش حاضر ارائه مدل پیشنهادی برای سنجش پایداری مالی شرکت با استفاده از روش اکونوفیزیک و شبکه عصبی مصنوعی با استفاده از یک نمونه متشکل از 132 شرکت پذیرفته شده در بورس اوراق بهادار تهران طی سال های 1393 تا 1397 است. نتایج بدست آمده از فرضیه اول نشان می دهد که پیش‌بینی پایداری مالی مبتنی بر روش اکونوفیزیک می‌تواند نتایج بهتری را ارائه دهد. همچنین بر اساس نتیجه فرضیه دوم پیش‌بینی پایداری مالی مبتنی بر روش بیزی می‌تواند نتایج بهتری را ارائه دهد. در نهایت، با مقایسه روش اکونوفیزیک و روش بیزی در خصوص پیش بینی پایداری مالی شرکت، می توان به این نتیجه دست یافت که پیش‌بینی پایداری مالی مبتنی بر روش اکونوفیزیک نتایج بهتری را نسبت به روش بیزی ارائه می‌دهد. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  302 - 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
  
  303 - ارائه مدل تلفیقی فرا ابتکاری هوشمند ( انفیس –ام جی جی پی) ؛ جهت پیش بینی (بازده سهام) با سرعت و دقتی بالاتر نسبت به سایر روش های فراابتکاری
  محمود کهنسال کفشگری علیرضا زارعی رضا بهمنش
  محقق در صدد ارائه یک مدل دقیق ،کاربردی و اثربخش برای پیش بینی بازده سهام جهت سرمایه گذاران می باشد.نمونه آماری این تحقیق مشتمل بر138 شرکت فعال در بازار بورس و فرابورس اوراق بهادار تهران طی سال های 1387 تا 1396 می باشد که با روش حذف سیستماتیک انتخاب شده است ، بنابراین بر أکثر

  محقق در صدد ارائه یک مدل دقیق ،کاربردی و اثربخش برای پیش بینی بازده سهام جهت سرمایه گذاران می باشد.نمونه آماری این تحقیق مشتمل بر138 شرکت فعال در بازار بورس و فرابورس اوراق بهادار تهران طی سال های 1387 تا 1396 می باشد که با روش حذف سیستماتیک انتخاب شده است ، بنابراین برای هر متغیر این پژوهش تعداد 1380 داده- سال،جهت بررسی سوالات تحقیق در نظر گرفته شده است.در این تحقیق از تکنیک انفیس،ام جی جی پی ، شبکه عصبی و تجزیه و تحلیل داده ها و همچنین آزمون های آماری متفاوت برای بررسی دقت و سرعت مدل ها استفاده شد .برای پیاده سازی تکنیک های فوق الذکر به ترتیب از نرم افزار های متلب و ژن اکس پرو تولز استفاده می شود. نتایج تحقیق حاکی از آن بود که جهت پیش بینی بازده سهام استفاده از روش ترکیبی انفیس – ام جی جی پی نسبت به سایر مدل های فرا ابتکاری از دقت و سرعت بالاتری برخوردار است ؛ زیرا ابتدا بهینه ترین متغیر های ورودی از طریق تکنیک انفیس انتخاب و بعد با استفاده از مدل فرا ابتکاری ام جی جی پی پیش بینی صورت می پذیرد. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  304 - 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
  
  305 - آزمون نوآوری مالی در نظام بانکداری: ارائه یک مدل هیبریدی برای پیش بینی و ارزیابی ریسک اعتباری بنگاههای متوسط و کوچک(SMEs) در بانکهای تجاری
  کوکب شریفی امیر محمدزاده هاشم نیکو مرام ناصر حمیدی
  ما در عصری زندگی می‌کنیم که ویژگی آن آهنگ بسیار سریع نوآوری مالی است. مطالعه سیر تاریخی رشد و توسعه اقتصادی کشورهای توسعه‌یافته و صنعتی نشان می‌دهد که یکی از عوامل اصلی پدید آمدن رشد و توسعه سریع و عظیم، وجود اصلاحات مالی در این کشورها بوده است. انگیزه‌های مختلفی برای ا أکثر

  ما در عصری زندگی می‌کنیم که ویژگی آن آهنگ بسیار سریع نوآوری مالی است. مطالعه سیر تاریخی رشد و توسعه اقتصادی کشورهای توسعه‌یافته و صنعتی نشان می‌دهد که یکی از عوامل اصلی پدید آمدن رشد و توسعه سریع و عظیم، وجود اصلاحات مالی در این کشورها بوده است. انگیزه‌های مختلفی برای افراد و بنگاه‌های فعال در سیستم مالی جهت انجام نوآوری مالی وجود دارد که یکی از مهم‌ترین انگیزه‌ها، معرفی ابزارها و روش‌هایی جهت کاهش، حذف و یا مدیریت ریسک‌های موجود می‌باشد.یکی از مهم‌ترین ابزارهایی که در شرایط کنونی می‌تواند کمک شایانی به بانک‌ها و مؤسسات مالی در مدیریت بهینه مصارف و پیشگیری از مطالبات نماید، طراحی و به‌کارگیری مدل‌های سنجش ریسک اعتباری در اعطای تسهیلات می‌باشد. هدف این تحقیق، ارائه یک الگوی مناسب جهت نوآوری مالی مبتنی بر سنجش ریسک اعتباری بنگاه‌های متوسط و کوچک(SMEs) در بانک‌های تجاری می‌باشد. در این راستا شاخص‌های مؤثر بر ریسک اعتباری SMEها شناسایی و با روش‌های لاجیت، شبکه عصبی و سیستم خبره فازی و درنهایت به‌صورت هیبریدی مورد ارزیابی قرار گرفتند. نتایج تحقیق نشان می‌دهد استفاده از مدل ترکیبی نتایج دقیق‌تری در ارزیابی ریسک اعتباری SMEها دارد. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  306 - 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
  
  307 - 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
  
  308 - پیش بینی شاخص روزانه بورس اوراق بهادار تهران با استفاده از انتخاب ویژگی های مناسب برای شبکه عصبی حافظه کوتاه مدت ماندگار
  سمیه محبی محمداسماعیل فدائی نژاد محمد اصولیان محمد رضا حمیدی زاده
  شاخص بورس یکی از عوامل مؤثر در سرمایه گذاری محسوب می شود. زیرا می تواند نشان دهنده وضعیت سلامت و روند تغییرات کلان اقتصادی یک کشور باشد. ویژگیهای متنوعی بر شاخص تأثیر می گذارند. ترکیبهای مختلف این ویژگی ها، یک فضای حالت گسترده ایجاد می کنند. از این رو، فراهم کردن یک مجم أکثر

  شاخص بورس یکی از عوامل مؤثر در سرمایه گذاری محسوب می شود. زیرا می تواند نشان دهنده وضعیت سلامت و روند تغییرات کلان اقتصادی یک کشور باشد. ویژگیهای متنوعی بر شاخص تأثیر می گذارند. ترکیبهای مختلف این ویژگی ها، یک فضای حالت گسترده ایجاد می کنند. از این رو، فراهم کردن یک مجموعه داده شامل همه این ترکیبها برای آموزش مدل پیش بینی شاخص بورس، غیرعملی است. در این پژوهش تلاش شده است پس از جمع آوری تعداد قابل توجهی از ویژگیهای مؤثر بر شاخص، روشی برای انتخاب ویژگیهای مناسب مدل پیش بینی شاخص بورس با هدف افزایش دقت پیش بینی ارائه شود. بدین منظور، از الگوریتم mRMR به عنوان الگوریتم پایه استفاده شده است. همچنین برای انتخاب مدل مناسب، به مقایسه تعدادی از پرکاربردترین مدلهای هوش مصنوعی در پیش بینی شاخص بورس اقدام شد و با توجه به نتایج حاصل شده، شبکه LSTM برای پیش بینی شاخص بورس انتخاب گردید. نتایج این مطالعه نشان می دهد که با استفاده از شبکه LSTM و روش پیشنهادی در گزینش ویژگیها، می توان با 8 ویژگی انتخابی به دقت بالایی در پیش بینی روزانه شاخص کل بورس اوراق بهادار تهران دست یافت. بطوری که میانگین درصد خطا حدود 2.66 محاسبه شده است. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  309 - 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
  
  310 - ارائه الگوی ارزشگذاری IPO با استفاده از الگوریتم ژنتیک و مقایسه ارزش الگوی پیشنهادی با Op
  سمانه فتح علیان سیدعلی نبوی چاشمی ابراهیم چیرانی
  ارزشگذاری مناسب Ipo شرکت هایی که برای اولین بار وارد بازار سرمایه می شوند، هم برای صاحبان شرکت و هم برای سرمایه گذاران بسیار حیاتی است. اما ارزشگذاری این سهام تحت تأثیر عوامل کمی و کیفی بسیاری می باشد. سیستم های هوشمند غیرخطی هم چون شبکه های عصبی و الگوریتم ژنتیک ابزار أکثر

  ارزشگذاری مناسب Ipo شرکت هایی که برای اولین بار وارد بازار سرمایه می شوند، هم برای صاحبان شرکت و هم برای سرمایه گذاران بسیار حیاتی است. اما ارزشگذاری این سهام تحت تأثیر عوامل کمی و کیفی بسیاری می باشد. سیستم های هوشمند غیرخطی هم چون شبکه های عصبی و الگوریتم ژنتیک ابزار مناسبی جهت پیش بینی دقیق ارزش سهام عرضه اولیه است. لذا هدف از انجام این پژوهش ارائه الگوی ارزشگذاری IPO با استفاده از الگوریتم ژنتیک و مقایسه ارزش الگوی پیشنهادی با Op می باشد. به این منظور داده های مربوط به 421 شرکت جمع‌آوری شد که در طی سال های 1388 تا 1397 اقدام به عرضه عمومی اولیه سهام در بورس اوراق بهادار تهران نموده بودند. هم چنین جهت تجزیه و تحلیل داده ها از روش های رگرسیون پیش رو، شبکه عصبی و الگوریتم ژنتیک بهره گرفته شده است. نتایج تحقیق نشان داد: الگوی ارزشگذاری Ipoبا استفاده از الگوریتم ژنتیک، الگوی بهینه ارزشگذاری IPO است. همچنین ارزشگذاری پیش بینی شده در عین نزدیکی به op ، ضمن افزایش نسبی قیمت می تواند انتظارات سرمایه‌گذاران و صاحبان شرکت ها در ارزشگذاری مناسب IPO را برآورده نماید. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  311 - تبیین عوامل موثر بر نقد شوندگی سهام با استفاده از الگوریتم ژنتیک و روش حداقل افزونگی و حداکثر ارتباط(MRMR)
  محمود رضائی حسین پناهیان مهدی معدن چی زاج حسن قدرتی
  نقد شوندگی سهام یک چالش مهم در بازار سرمایه می‌باشد. شناسایی عوامل اثرگذار بر نقدشوندگی، به پیش بینی وضعیت نقدشوندگی سهام و در نتیجه مدیریت ریسک سهام کمک می کند. هدف این تحقیق یافتن عوامل تاثیرگذار بر نقد شوندگی سهام می‌باشد. بدین منظور در مرحله اول با استفاده از ادبیات أکثر

  نقد شوندگی سهام یک چالش مهم در بازار سرمایه می‌باشد. شناسایی عوامل اثرگذار بر نقدشوندگی، به پیش بینی وضعیت نقدشوندگی سهام و در نتیجه مدیریت ریسک سهام کمک می کند. هدف این تحقیق یافتن عوامل تاثیرگذار بر نقد شوندگی سهام می‌باشد. بدین منظور در مرحله اول با استفاده از ادبیات تحقیق و خبرگان عوامل اثرگذار مشخص و با استفاده از روش‌های حداقل افزونگی و حداکثر ارتباط(MRMR) و الگوریتم ژنتیک، متغیرهای تأثیرگذار انتخاب شده‌اند. در انجام این پژوهش با استفاده از نرم افزارExcel و داده های خام موجود ، داده های مورد نیاز ایجاد شده و سپس با استفاده از نرم افزارمتلب و جعبه ابزار شبکه عصبی و ماشین بردار پشتیبان ساخته شد. . در نهایت متغیرهای استخراجی با استفاده از MRMR ، شامل ارزش بازار سهام، شدت رقابت در بازار محصول، رشد تولید ناخالص داخلی، بازده حقوق صاحبان سهام، بازده سهام، نرخ تورم و مالکیت خانوادگی و با استفاده از الگوی ژنتیک اهرم مالی، مالکیت دولتی، بازده حقوق صاحبان سهام، رشد تولید ناخالص داخلی، درصد شناوری سهم، نوع بازار و تابلو (در بورس و فرابورس)، شدت رقابت در بازار محصول انتخاب شدند. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  312 - 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
  
  313 - 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
  
  314 - پیش بینی منابع مالی بانک با استفاده از مدل خطی( ARIMA) و غیرخطی شبکه های عصبی مصنوعی فازی
  امید مهری نمک آورانی رضا احتشام راثی
  یکی از مهم‌ترین موارد مورد علاقه مدیران بانکی به عنوان متغیری تأثیرگذار بر صنعت بانکداری، اطلاع از وضعیت سپرده‌های بانکی است که فعالیت بانک تا حد زیادی بستگی به آن دارد. ازاین‌رو مدیران بانک‌ها علاقه‌مند هستند بدانند که میزان کل سپرده‌های بانک در زمان معینی در آینده چقد أکثر

  یکی از مهم‌ترین موارد مورد علاقه مدیران بانکی به عنوان متغیری تأثیرگذار بر صنعت بانکداری، اطلاع از وضعیت سپرده‌های بانکی است که فعالیت بانک تا حد زیادی بستگی به آن دارد. ازاین‌رو مدیران بانک‌ها علاقه‌مند هستند بدانند که میزان کل سپرده‌های بانک در زمان معینی در آینده چقدر خواهد بود. پیش‌بینی میزان سپرده‌ها، تغییر و نوسان این سپرده ها می‌تواند در امر برنامه ریزی و تصمیم گیری به بانک‌ها کمک نماید. در این پژوهش سعی شده است با استفاده از تکنیک‌های آماری و رویکرد مدل‌های شبکه‌های عصبی مصنوعی ، مدلی مناسب با بیشترین قدرت تخمین و کمترین میزان خطا برای پیش‌بینی میزان سپرده‌ها یا همان منابع مالی به تفکیک انواع آنها برای بانک موردنظر را معرفی نماییم. برای آزمون فرضیه ها از اطلاعات یک بانک خصوصی طی بازه زمانی سال های 139۶-138۷ استفاده شده است. در این پژوهش، پس از بررسی توان پیش‌بین کنندگی روش خود رگرسیو میانگین متحرک انباشته (ARIMA) و روش شبکه‌های عصبی مصنوعی، به مقایسه‌ی این دو روش پرداخته ‌شده است.نتایج پژوهش بر میزان سپرده‌های بانک به‌صورت ماهانه حاکی از آن است که روش شبکه‌های عصبی تخمین‌های بهتری نسبت به روش ARIMA ارائه می‌نمایند. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  315 - مقایسه مدل های شبکه عصبی با مدل سری زمانی باکس- جنکینز در پیش بینی شاخص کل قیمت سهام بورس اوراق بهادار تهران
  جلال حقیقت منفرد محمود احمدعلی‌نژاد سارا متقالچی
  پژوهش حاضر به مقایسه مدلهای شبکه عصبی و سری زمانی در پیش بینی قیمت شاخص سهام می پردازد. بدین جهت سه مدل از شبکه های عصبی(پروسپترونی چند لایه ،پایه ای شعاعی و رگرسیونی) و یک مدل از مدل های سری زمانی (باکس- جنکینز) مورد بررسی قرار گرفته‌اند. شاخص کل قیمت سهام بازار بورس ت أکثر

  پژوهش حاضر به مقایسه مدلهای شبکه عصبی و سری زمانی در پیش بینی قیمت شاخص سهام می پردازد. بدین جهت سه مدل از شبکه های عصبی(پروسپترونی چند لایه ،پایه ای شعاعی و رگرسیونی) و یک مدل از مدل های سری زمانی (باکس- جنکینز) مورد بررسی قرار گرفته‌اند. شاخص کل قیمت سهام بازار بورس تهران در بازه زمانی ابتدای فروردین 1384 تا انتهای اسفند 1388 به عنوان جامعه آماری انتخاب شده است. به منظور داشتن معیاری برای مقایسه از چهار معیار خطای ریشه میانگین مربع خطا ،میانگین قدر مطلق درصد خطا، میانگین قدر مطلق خطا وضریب تعیین استفاده شده است. برای آموزش مدل ها از 80 درصد داده ها معادل 913 روز از اول فروردین سال 1384تا 31 فروردین سال 1388 استفاده شده و مدل های طراحی شده قادر هستند 299روز آتی را پیش بینی نمایند.برای ساختن 3 مدل شبکه عصبی از محیط نرم افزارMatlabو برای ساختن مدل سری زمانی باکس-جنکینز از نرم افزار هایSpssوEviewsاستفاده شده است. نتایج حاصله حاکی از آن است که 3 مدل شبکه عصبی از لحاظ 4 معیار خطا نسبت به مدل سری زمانی آریما برتری دارد.از طرفی از میان 3 مدل شبکه عصبی به کار رفته به ترتیب، مدل شبکه عصبی پایه ای شعاعی و پس از آن مدل شبکه عصبی پروسپترون چند لایه بهترین عملکرد و شبکه عصبی رگرسیونی بدترین عملکرد را دارا می باشند. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  316 - ارائه مدلی برای شناسایی عوامل موثر بر قیمت آتی سکه به روش شبکه عصبی مصنوعی و مقایسه آن با مدل‌های رگرسیونی
  میلاد گودرزی بهزاد امیری
  معاملات آتی در بورس کالای ایران و بر روی سکه تمام بهار آزادی در طول سال‌های اخیر به ویژه در سال گذشته از حجم معاملاتی قابل قبولی برخوردار بوده و توجه بسیاری از فعالان بازار را به خود جلب نموده است. در این مقاله بر اساس قیمت‌های سکه در بازار نقدی و معاملات آتی سکه در بور أکثر

  معاملات آتی در بورس کالای ایران و بر روی سکه تمام بهار آزادی در طول سال‌های اخیر به ویژه در سال گذشته از حجم معاملاتی قابل قبولی برخوردار بوده و توجه بسیاری از فعالان بازار را به خود جلب نموده است. در این مقاله بر اساس قیمت‌های سکه در بازار نقدی و معاملات آتی سکه در بورس کالای ایران در طول یک سال کامل به بررسی عوامل موثر بر قیمت‌های این بازار پرداخته شده است و بر مبنای این عوامل و با استفاده از روش شبکه‌های عصبی به پیش‌بینی قیمت قرارداد‌ آتی سکه بهار آزادی پرداخته و در نهایت به مقایسه دقت نتایج حاصل از این مدل با مدل خطی رگرسیون چندگانه پرداخته شده و دقت پیش بینی آنها بررسی شده است. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  317 - بررسی توان تبیین مدل های شبکه عصبی درسنجش میزان ارزش در معرض خطر
  فرهاد غفاری هاشم نیکومرام غلامرضا زمردیان
  از آنجائیکه خلق ثروت و ایجاد اشتغال در یک جامعه جز از طریق سرمایه گذاری امکان پذیر نیست و از طرف دیگر با توجه به پیچیده تر شدن روابط بین متغیرهای تاثیر گذار بر سرمایه گذاری همیشه سرمایه گذاری در خطر نابودی قرار دارد، بنابراین پیدا نمودن راهکارهای که بتواند حدی از خطر را أکثر

  از آنجائیکه خلق ثروت و ایجاد اشتغال در یک جامعه جز از طریق سرمایه گذاری امکان پذیر نیست و از طرف دیگر با توجه به پیچیده تر شدن روابط بین متغیرهای تاثیر گذار بر سرمایه گذاری همیشه سرمایه گذاری در خطر نابودی قرار دارد، بنابراین پیدا نمودن راهکارهای که بتواند حدی از خطر را پیش بینی نماید، می تواند رضایت بخش باشد. در نتیجه تصمیمات سرمایه گذاری افراد حقیقی و حقوقی بشدت تحت تاثیر این راهکارها قرار می گیرند و برای کاهش ریسک ناشی از این تغییرات می بایست یک پرتفوی مطلوب تعیین نموده تا از ره گذر این تغییرات کمترین آسیب را ببینند، معامله گران در بازارهای سرمایه از مدلهای متفاوتی جهت تعیین ارزش در معرض خطر پرتفوی خود استفاده می نمایند، که هر کدام از این مدلها جهت تعیین ارزش در معرض خطر پرتفوی از مفروضات خاصی استفاده می نمایند. این پژوهش سعی دارد که از طریق شبکه عصبی ارزش در معرض خطر پرتفوی واقعی 21 شرکت سرمایه گذاری که در بازار سرمایه کشور به فعالیت می پردازند، را مورد بررسی قرار داده و قدرت پیش بینی آنرا مشخص کند. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  318 - رویکرد شبکه عصبی مبتنی بر کلونی زنبور عسل مصنوعی
  سعید فلاح پور رضا راعی محمد هندیجانی
  کاهش و کنترل ریسک اعتباری به عنوان یکی از عوامل موثر در بهبود فرآیند اعطای اعتبار و درنتیجه در عملکرد بانک ها مطرح گردیده و نقش اساسی در تداوم ارائه تسهیلات، سودآوری و بقای بانک ها و موسسات مالی ایفا می نماید. در این راستا، پژوهش حاضر سعی در ارائه رویکردی نو برای ارزیاب أکثر

  کاهش و کنترل ریسک اعتباری به عنوان یکی از عوامل موثر در بهبود فرآیند اعطای اعتبار و درنتیجه در عملکرد بانک ها مطرح گردیده و نقش اساسی در تداوم ارائه تسهیلات، سودآوری و بقای بانک ها و موسسات مالی ایفا می نماید. در این راستا، پژوهش حاضر سعی در ارائه رویکردی نو برای ارزیابی ریسک اعتباری مشتریان بانکی دارد. روش شبکه عصبی به عنوان طبقه بندی کننده ی اصلی مشتریان تسهیلات بانکی با یک روش انتخاب ویژگی پوشش دهنده به نام کلونی زنبورعسل ترکیب می گردد. روش های دیگر به کار رفته در این پژوهش شبکه عصبی مبتنی بر آنالیز اجزای اساسی به عنوان یک روش فیلر کننده انتخاب ویژگی و روش شبکه عصبی به تنهایی می باشند. به منظور نشان دادن اثر بخشی روش پیشنهادی از داده های مربوط به دویست و پنجاه تن از تسهیلات گیرندگان حقیقی بانک کارآفرین در یک بازه زمانی سه ساله (1390-1387) به همراه هجده ویژگی مربوط به هریک از آنها استفاده نموده ایم. نتایج رویکرد ارائه شده با روش شبکه مصنوعی و روش شبکه مصنوعی بر پایه آنالیز اجزای اساسی مقایسه گردیده است. یافته های پژوهش دلالت بر آن داشته که در ارزیابی ریسک اعتباری متقاضیان تسهیلات اعتباری، مدل شبکه عصبی بر مبنای کلونی زنبور عسل نسبت به روش شبکه عصبی و مدل شبکه عصبی بر مبنای آنالیز اجزای اساسی از عملکرد خوبی برخوردار است. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  319 - مقایسه عملکرد مدلهای رگرسیونی ARIMA وشبکه عصبی باالگوریتم ژنتیک (GMDH) درپیش بینی قیمت نفت خام ایران
  عباسعلی ابونوری ناهید خدادادی
  این پژوهش باهدف معرفی یک الگوی مناسب جهت پیش بینی قیمت نفت خام سنگین ایران صورت پذیرفته است. داده های مورداستفاده دراین پژوهش به صورت هفتگی وشامل بازه ی زمانی هفته سوم 4/2002 الی هفته چهارم 7/2011 که مشتمل بر485مشاهده بوده که جهت مجزاسازی پیش بینی های داخل نمونه ای وخار أکثر

  این پژوهش باهدف معرفی یک الگوی مناسب جهت پیش بینی قیمت نفت خام سنگین ایران صورت پذیرفته است. داده های مورداستفاده دراین پژوهش به صورت هفتگی وشامل بازه ی زمانی هفته سوم 4/2002 الی هفته چهارم 7/2011 که مشتمل بر485مشاهده بوده که جهت مجزاسازی پیش بینی های داخل نمونه ای وخارج ازنمونه استفاده شده است. همچنین الگوهای مورداستفاده دراین پژوهش عبارتنداز:یک مدل شبکه عصبی مصنوعی مبتنی برالگوریتم ژنتیک (GMDH) و نیز یک مدل رگرسیونی خطی (ARIMA) یافته های این پژوهش نشان می دهدکه مدل شبکه عصبی مبتنی برالگوریتم درپیش بینی های خارج ازنمونه براساس معیارهای محاسبه خطای پیش بینی میانگین مجذور خطا (MSE) و نیز معیار جذر میانگین مجذور خطا (RMSE) دارای عملکردبهتری نسبت به مدل رگرسیونی خطیARIMAمی باشند. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  320 - طراحی مدل پیش بینی ورشکستگی شرکت ها به وسیله شبکه های عصبی فازی (مطالعه موردی:شرکت های بورس اوراق بهادار تهران)
  مریم ظهری محمدعلی افشارکاظمی
  در این مقاله به منظور پیش بینی درصد ورشکستگی شرکت های بورسی از مدلهای شبکه عصبی فازی استفاده گردیده که توانایی کار در محیط پویا و غیر قطعی را امکان پذیر می سازد. در این میان با استفاده از منطق فازی متغییر های مختلف کلامی به منظور تعریف هر شاخص مشخص گردیده است و با ایجاد أکثر

  در این مقاله به منظور پیش بینی درصد ورشکستگی شرکت های بورسی از مدلهای شبکه عصبی فازی استفاده گردیده که توانایی کار در محیط پویا و غیر قطعی را امکان پذیر می سازد. در این میان با استفاده از منطق فازی متغییر های مختلف کلامی به منظور تعریف هر شاخص مشخص گردیده است و با ایجاد توابع عضویت هر کدام با استفاده شبکه عصبی به ایجاد یک سیستم یادگیرنده اقدام شده است. از میان مدل های مختلف شبکه عصبی،شبکه پرسیترون چند لایه پیش خور، با قانون یادگیری پس انتشار خطا انتخاب شده است. در اینجا از چهار شبکه عصبی فازی استفاده شده است. بدین منظور ابتدا پارامترهای مؤثر بر ورشکستگی شناسایی و سپس متغیرهای نهایی در سه دسته اصلی طبقه بندی و به عنوان ورودی های شبکه های عصبی فازی نقدینگی، اهرمی و بازار در نظر گرفته شده است . و سپس خروجی های شبکه های عصبی فازی نقدینگی، اهرمی و بازار به عنوان ورودی های شبکه عصبی فازی پیش بینی ورشکستگی شرکت ها وارد می گردد و خروجی آن احتمال ورشکستگی شرکت های داروسازی بورس را نمایش می دهد. عملکرد شبکه های عصبی فازی در محیط مطلب، سیستم استنتاج فازی سوگینو و توابع عضویت جی بل مورد ارزیابی قرار گرفته است. نتیجه بدست آمده از این مقاله یک مدل پیش بینی بهینه با کمترین مقدار خطا را ارایه داده است تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  321 - مقایسه توان تبیین مدل‌های پارامتریک (اقتصادسنجی) و شبکه عصبی در سنجش میزان ارزش درمعرض خطر پرتفوی شرکت های سرمایه گذاری جهت تعیین پرتفوی بهینه در بازار سرمایه ایران
  غلامرضا زمردیان علی رستمی مهدی کریمی زند
  در دنیای پیچیده ای که ریسک جز لاینفک سرمایه گذاری ها گشته و برای سرمایه گذاری در هر جا ابتدا" می بایست ریسک آن را محاسبه نمود و در اختیار سرمایه گذار قرار داد تا وی به این نتیجه برسد که در مکان مورد نظر سرمایه گذاری نماید یا خیر! محاسبه ریسک معنی و مفهوم پیدا می کند. بن أکثر

  در دنیای پیچیده ای که ریسک جز لاینفک سرمایه گذاری ها گشته و برای سرمایه گذاری در هر جا ابتدا" می بایست ریسک آن را محاسبه نمود و در اختیار سرمایه گذار قرار داد تا وی به این نتیجه برسد که در مکان مورد نظر سرمایه گذاری نماید یا خیر! محاسبه ریسک معنی و مفهوم پیدا می کند. بنابراین برای پاسخ گویی به سرمایه گذار روش های متفاوتی با توجه به نوع داده های تخمین زننده پارآمترهای مدل های تبیین کننده ریسک طراحی و پا به عرصه وجود گذاشته اند. در میان این مدل ها دو گروه از مدل های اقتصاد سنجی و شبکه عصبی در این تحقیق مورد بررسی قرار می گیرند تا توان این دو گروه را در پیش بینی ارزش در معرض خطر پرتفوی21 شرکت های سرمایه گذاری در بازار سرمایه ایران مورد سنجش قرار گیرد و مدل برتر معرفی شود. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  322 - 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
  
  323 - مقایسه توان تبیین مدل های ناپارآمتریک و مدل های شبکه عصبی در سنجش میزان ارزش درمعرض خطر پرتفوی شرکت های سرمایه گذاری جهت تعیین پرتفوی بهینه در بازار سرمایه ایران
  غلامرضا زمردیان
  ریسک جز جدا نشدنی زندگی انسان ها در همه ادوار تاریخی می باشد، بنابراین توجه به آن نیز در همه زمان ها و مکان ها با شدت و ضعف وجود داشته است. ارزیابی ریسک در زمان های مختلف به اشکال گوناگونی توجه انسان ها را به خود جلب نموده است. اما در دنیای امروز که دارای پیچیدگی های زی أکثر

  ریسک جز جدا نشدنی زندگی انسان ها در همه ادوار تاریخی می باشد، بنابراین توجه به آن نیز در همه زمان ها و مکان ها با شدت و ضعف وجود داشته است. ارزیابی ریسک در زمان های مختلف به اشکال گوناگونی توجه انسان ها را به خود جلب نموده است. اما در دنیای امروز که دارای پیچیدگی های زیادی است شناخت، اندازه گیری و محاسبه آن بسیار سخت شده است. این پیچیدگی در شناخت، اندازه گیری و محاسبه بویژه در بازارهای مالی دو چندان گشته است. بنابراین روش های متفاوتی برای این ارزیابی ایجاد شده اند که از راه حل های ساده شروع شده و به مدل های سخت ختم می شود. از آن جایی که محور توسعه در هر کشوری سرمایه گذاری می باشد و تا این عمل تحقق پیدا نکند، توسعه اتفاق نمی افتد بنابراین سرمایه گذار برای انجام سرمایه گذاری نیاز به دو آیتم دارد و به آنها توجه ویژه ای خواهد داشت یکی بازده و دیگری ریسک آن سرمایه گذاری می باشد. در محاسبه بازده دچار مشکل زیاد نمی شویم ولی آنچه ما را دچار مشکل می نماید، بحث چگونگی محاسبه ریسک است که یک متغیر کیفی است. بنابراین برای پاسخ گویی به سرمایه گذار روش های متفاوتی با توجه به نوع داده های تخمین زننده پارآمترهای مدل های تبیین کننده ریسک طراحی و پا به عرصه وجود گذاشته اند. در میان این مدل ها دو گروه از مدل های ناپارآمتریک و شبکه عصبی در این تحقیق مورد بررسی قرار می گیرند تا توان این دو گروه را در پیش بینی ارزش در معرض خطر پرتفوی 21 شرکت سرمایه گذاری در بازار سرمایه ایران مورد سنجش قرار گیرد و مدل برتر معرفی شود. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  324 - پیش بینی بازده شاخص بورس اوراق بهادار با استفاده از مدلهای شبکه ها عصبی مصنوعی شعاع پایه
  رضا تهرانی سعید مرادپور
  تا کنون برای پیش بینی بازده سهام و بازده شاخص از روش های متعددی استفاده شده است در این میان هوش مصنوعی و شبکه های عصبی مصنوعی یکی از روش های پیش بینی بازده شاخص بوده است. در حال حاضر به دنبال بررسی عملکرد شبکه عصبی شعاع پایه برای پیش‌بینی بازده شاخص هستیم. بدین منظور از أکثر

  تا کنون برای پیش بینی بازده سهام و بازده شاخص از روش های متعددی استفاده شده است در این میان هوش مصنوعی و شبکه های عصبی مصنوعی یکی از روش های پیش بینی بازده شاخص بوده است. در حال حاضر به دنبال بررسی عملکرد شبکه عصبی شعاع پایه برای پیش‌بینی بازده شاخص هستیم. بدین منظور از شاخص بورس اوراق بهادار تهران استفاده شده است و عملکرد شبکه عصبی شعاع پایه و شبکه عصبی پرسپترون مقایسه شده‌اند. نوع آزمون عملکرد شبکه های عصبی بر اساس حداقل مربعات خطا در دو رویکرد درون نمونه‌ای و برون نمونه ای بکار گرفته شده است. نتایج این پژوهش در رویکرد درون نمونه ای برتری شبکه عصبی شعاع پایه و در رویکرد برون نمونه ای برتری شبکه عصبی پرسپترون را نمایش می دهد. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  325 - کاربردالگوریتم ژنتیک خطی و غیر خطی در بهبود قدرت پیش‌بینی
  زهرا پورزمانی
  سود آوری به عنوان مبنایی برای ارزیابی کارایی مدیران شرکتها مورد استفاده قرار می گیرد. همچنین بخشی از تصمیم گیری به پیش بینی توانایی سودآوری آینده شرکتها مربوط می شود. امروزه تجزیه و تحلیل نسبت های مالی یک تکنیک قوی و ابزاری مناسب برای استفاده کنندگان در جهت شناخت و ارزی أکثر

  سود آوری به عنوان مبنایی برای ارزیابی کارایی مدیران شرکتها مورد استفاده قرار می گیرد. همچنین بخشی از تصمیم گیری به پیش بینی توانایی سودآوری آینده شرکتها مربوط می شود. امروزه تجزیه و تحلیل نسبت های مالی یک تکنیک قوی و ابزاری مناسب برای استفاده کنندگان در جهت شناخت و ارزیابی عملکرد گذشته، حال و پیش بینی وضعیت آینده شرکت هاست. یکی از مشکلاتی که در استفاده از نسبتهای مالی برای ارزیابی وضعیت مالی شرکت ها وجود دارد، این است که هر مجموعه نسبت های مالی یک بعد از عملکرد شرکتها را اندازه گیری می کند. برای از میان برداشتن این مشکل می توان از روشهای تصمیم گیری چند معیاره از جمله تحلیل پوششی داده ها، شبکه های عصبی مصنوعی، منطق فازی و ... استفاده نمود. هدف این تحقیق بررسی قدرت پیش‌بینی سودآوری آینده شرکتها با استفاده از مدل‌های الگوریتم ژنتیک خطی و الگوریتم ژنتیک غیرخطی است جهت بالا بردن توان تصمیم گیری استفاده کنندگان صورتهای مالی در پیش بینی سودآوری آینده شرکتها می باشد. . سپس با توجه به نتایج بدست آمده، الگوها با یکدیگر مقایسه و بهترین الگو استخراج شده است. بر اساس اطلاعات و آمارهای در دسترس شرکت‌های پذیرفته شده در بورس اوراق بهادار تهران در طی دوره 1391-1371، از 23 نسبت مالی برتر ، به عنوان متغیر مستقل استفاده شد. نتایج آزمون نشان می دهد دقت پیش‌بینی الگوریتم ژنتیک غیرخطی (90.04 درصد) بیشتر از الگوریتم ژنتیک خطی (87.14 درصد) است. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  326 - مقایسه عملکرد مدل فاما و فرنچ و شبکه های عصبی مصنوعی
  ناصر شمس سمیرا پارسائیان
  پیش بینی نرخ بازدهی سهام,همواره به عنوان یکی از مهم ترین مباحث بازار های مالی مطرح بوده است. این مقاله ، به مقایسه مدل سه عاملی فاما و فرنچ و مدل شبکه عصبی رگرسیون عمومی، برای پیش بینی بازدهی سهام شرکتهای بورس اوراق بهادار تهران در قلمرو زمانی بین سالهای 1378 تا 1388 می أکثر

  پیش بینی نرخ بازدهی سهام,همواره به عنوان یکی از مهم ترین مباحث بازار های مالی مطرح بوده است. این مقاله ، به مقایسه مدل سه عاملی فاما و فرنچ و مدل شبکه عصبی رگرسیون عمومی، برای پیش بینی بازدهی سهام شرکتهای بورس اوراق بهادار تهران در قلمرو زمانی بین سالهای 1378 تا 1388 می پردازد. با استفاده از دو فرضیه که فرضیه اول دقت مدلها را در پیش بینی بازده ماهانه سهام شرکتهای هدف، و فرضیه دوم دقت مدلها را در پیش بینی بازدهی ماهانه شش پرتفوی تشکیل شده بر اساس اندازه و نسبت ارزش دفتری به ارزش بازار، مقایسه می کند، و معیار حداقل مربعات خطا، دقت دومدل مقایسه می گردد. نتایج نشان می دهد که بین میانگین خطای مدل ها در پیش بینی بازدهی سهام شرکتها و پرتفوی های تشکیل شده اختلاف معنی داری وجود دارد، که این اختلاف حاکی از برتری مدل شبکه عصبی رگرسیون عمومی بر مدل فاما و فرنچ در پیش بینی بازدهی سهام شرکتها و پرتفوی ها می باشد. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  327 - 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
  
  328 - پیش‌بینی بازده صندوق‌های سرمایه‌گذاری مشترک
  کاظم چاوشی ابراهیم صابر
  پیش¬بینی بازده یکی از مفاهیم پیچیده و مورد علاقه سرمایه‌گذاران و تصمیم‌گیرندگان می‌باشد. برای پیش‌بینی بازده مدل‌های مختلفی‌ مطرح شده‌ است. هدف اصلی این پژوهش بررسی مقایسه¬ای توان پیش¬بینی مدل رگرسیون با استفاده از داده¬های ترکیبی و روش شبکه¬های عصبی أکثر

  پیش¬بینی بازده یکی از مفاهیم پیچیده و مورد علاقه سرمایه‌گذاران و تصمیم‌گیرندگان می‌باشد. برای پیش‌بینی بازده مدل‌های مختلفی‌ مطرح شده‌ است. هدف اصلی این پژوهش بررسی مقایسه¬ای توان پیش¬بینی مدل رگرسیون با استفاده از داده¬های ترکیبی و روش شبکه¬های عصبی مصنوعی می-باشد. برای این منظور ابتدا عوامل موثر بر بازده صندوق¬های سرمایه¬گذاری مشترک در قالب 13 متغیر شناسایی شدند. برای آزمون فرضیات این پژوهش، داده¬های مورد نیاز در طی سال¬های1389 الی1391به¬صورت ماهانه گردآوری شده و سپس با استفاده از روش¬های خطی و غیرخطی به پیش¬بینی بازده 30 صندوق¬ سرمایه¬گذاری مشترک در بازار سرمایه ایران پرداخته شد. نتایج نشان می¬دهد که با استفاده از معیارهای ارزیابی عملکرد تا حدودی می¬توان بازده صندوق¬های مشترک را پیش¬بینی نمود و هر دو روش خطی و غیرخطی توانایی پیش¬بینی بازده صندوق¬ها را دارند اما عملکرد شبکه¬های عصبی مصنوعی بهتر می¬باشد. همچنین با استفاده از آزمون زوجی مشخص شد که بین میانگین بازده پیش-بینی شده و واقعی تفاوت معنی¬داری وجود ندارد. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  329 - 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
  
  330 - 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
  
  331 - ارایه مدل ارزش گذاری سهام در عرضه های عمومی اولیه با استفاده از مدل عصبی-ژنتیک
  علی رستمی عماد فلامرزی سارا فاروقی
  نگاه به تاریخچه بازار بورس حکایت از این نکته دارد که نگرانی عمده شرکت های بورسی در گام نخست برای ورود به بازار سرمایه این است که چه قیمتی برای عرضه عمومی اولیه مناسب بوده و آیا می توانند سرمایه گذاران را برای خرید سهام خود مجاب کنند.در کنار این موضوع ، از نگرانی سرمایه أکثر

  نگاه به تاریخچه بازار بورس حکایت از این نکته دارد که نگرانی عمده شرکت های بورسی در گام نخست برای ورود به بازار سرمایه این است که چه قیمتی برای عرضه عمومی اولیه مناسب بوده و آیا می توانند سرمایه گذاران را برای خرید سهام خود مجاب کنند.در کنار این موضوع ، از نگرانی سرمایه گذاران نیز که قیمت سهام عرضه شده را واقعی یا کاذب تصور کنند، نمی توان گذشت.این پژوهش سعی براین دارد که باا استفاده از روش غیر خطی این معضل را بر طرف نماید. پژوهش حاضر به ارایه مدل قیمت گذاری عرضه عمومی اولیه سهام در بورس اوراق بهادار تهران می پردازد. دوره تحقیق مورد مطالعه از سال 1382 تا 1393 می باشد.جامعه آماری تحقیق 145 شرکت ورودی به بورس اوراق بهادار تهران در این بازه زمانی و نمونه آماری با توجه به شرط عدم سرمایه گذاری بودن شرکت ها و مدوّن بودن بودجه و دسترسی به اطلاعات شرکت، به 103 شرکت تقلیل پیدا کرد. شبکه پیشنهادی یک شبکه چند لایه رو به جلو با بهینه سازی الگوریتم ژنتیک برای متغیر های مورد استفاده در تعیین قیمت سهام شرکت های جدید الورود به بورس می باشد .دوره 12 سااله با انتخاب 12 متغیر تاثیر گذار بر قیمت عرضه عمومی اولیه و 1 متغیر وابسته )قیمت عرضه اولیه(شبکه مناسبی را در قیمت گذاری صحیح نسبت به سایر مدل های خطی بیان شده در این پژوهش ارایه داده است. نتایج حاصل از مدل با استفاده از 4 معیار ارزیابی RMSE,MAE,R-SQUARE,U-THEIL بیانگر قیمت گذاری صحیح مدل پیشنهادی در اکثر موارد می باشد. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  332 - کاربرد شبکه عصبی- فازی انطباقی در پیش‌بینی قیمت سهام شرکت ایران‌خودرو
  ابراهیم عباسی امیر ابوئی مهریزی
  در این پژوهش با استفاده از سیستم استنتاج عصبی_فازی انطباقی اقدام به طراحی مدلی برای کشف روند موجود در قیمت سهام شرکت ایران‌خودرو در بورس اوراق بهادار تهران شده است. دوره زمانی مورد مطالعه این پژوهش سالهای 1388-1381 است که به دو دوره تقسیم شده است: دوره بلند مدت شامل اطل أکثر

  در این پژوهش با استفاده از سیستم استنتاج عصبی_فازی انطباقی اقدام به طراحی مدلی برای کشف روند موجود در قیمت سهام شرکت ایران‌خودرو در بورس اوراق بهادار تهران شده است. دوره زمانی مورد مطالعه این پژوهش سالهای 1388-1381 است که به دو دوره تقسیم شده است: دوره بلند مدت شامل اطلاعات 8 سال و دوره کوتاه‌مدت شامل اطلاعات فصلی 8 سال. برای دوره بلندمدت با بررسی انواع توابع عضویت یک مدل عصبی_فازی با دو تابع عضویت مثلثی و چهار متغیر مستقل شامل حجم معامله، سود تقسیمی هر سهم، نسبت قیمت به سود هر سهم و آخرین قیمت هر روز سهم به عنوان مدل بهینه انتخاب شد. برای دوره کوتاه مدت نیز مدل عصبی_فازی با دو تابع عضویت مثلثی برای سه ماهه اول، دو تابع عضویت ذوزنقه‌ای برای سه ماهه دوم، دو تابع عضویت گوسی نوع دوم برای سه ماهه سوم و دو تابع عضویت ذوزنقه‌ای برای سه ماهه چهارم انتخاب شدند. شناخت روند کلی قیمت سهام نیز با یک مدل عصبی_فازی با دو تابع عضویت مثلثی و چهار متغیر مستقل مزبور صورت گرفت. در نتیجه با استفاده از این مدل روند قیمت سهام شرکت ایران‌خودرو با سطح خطای پایینی پیش‌بینی شد. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  333 - 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
  
  334 - تبیین الگوی بهینه ارزیابی و قیمت‌گذاری عرضه اولیه عمومی سهام با استفاده از تکنیک های تصمیم گیری چند معیاره فازی، رگرسیون، شبکه عصبی و الگوریتم ژنتیک
  سمانه فتح علیان سیدعلی نبوی چاشمی ابراهیم چیرانی
  فرآیند مهم ارزیابی و قیمت گذاری اوراق بهادار تخمین ارزش اوراق بهادار از جمله سهام عرضه اولیه شرکت ها است. زیرا از یک سو سرمایه‌گذاران به منظور سرمایه‌گذاری آگاهانه نیاز دارند که از ارزش واقعی سهامی که علاقمند به سرمایه گذاری در آن‌ هستند، اطلاع داشته باشند و از سوی دی أکثر

  فرآیند مهم ارزیابی و قیمت گذاری اوراق بهادار تخمین ارزش اوراق بهادار از جمله سهام عرضه اولیه شرکت ها است. زیرا از یک سو سرمایه‌گذاران به منظور سرمایه‌گذاری آگاهانه نیاز دارند که از ارزش واقعی سهامی که علاقمند به سرمایه گذاری در آن‌ هستند، اطلاع داشته باشند و از سوی دیگر صاحبان شرکت ها که قصد فروش اوراق بهادار خود را دارند، ناگزیرند تا دارایی خود را به شیوه درست ارزیابی و قیمت گذاری نماید. لذا هدف از انجام این پژوهش تبیین الگوی بهینه ارزیابی و قیمت گذاری عرضه اولیه عمومی سهام شرکت های پذیرفته شده در بورس اوراق بهادار تهران با استفاده از تکنیک های تصمیم گیری چند معیاره فازی، رگرسیون گام به گام، شبکه عصبی و الگوریتم ژنتیک می باشد. به این منظور داده های مربوط به 421 شرکت جمع آوری شد که در طی سال های 1385 تا 1397 اقدام به عرضه عمومی اولیه سهام در بورس اوراق بهادار تهران نموده بودند. هم چنین جهت تجزیه و تحلیل داده ها از روش AHP فازی، رگرسیون پیش رو، شبکه عصبی و الگوریتم ژنتیک بهره گرفته شده است. نتایج تحقیق نشان داد: الگوی الگوریتم ژنتیک مدل بهینه قیمت گذاری و ارزیابی سهام عرضه اولیهمی باشد. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  335 - 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
  
  336 - 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
  
  337 - 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
  
  338 - پیش‌بینی دوران رکود و رونق در بازار اوراق بهادار تهران با استفاده از مدل‌های MS و NSGA-ANN
  فرزانه عبدالهیان محمد ابراهیم محمد پورزرندی محمد هاشمی نژاد مهرزاد مینویی
  بورس اوراق بهادار یکی از ابزارهای مالی کشورها در کل دنیا محسوب می‌شود. وقوع رکود در این بازار می تواند اثرات مهمی از جمله کاهش نقدینگی، کاهش سودآوری شرکت‌های پذیرفته شده در بورس و همچنین کاهش رشد اقتصادی را در پی داشته باشد. در این مقاله به دنبال استخراج و پیش‌بینی سیکل أکثر

  بورس اوراق بهادار یکی از ابزارهای مالی کشورها در کل دنیا محسوب می‌شود. وقوع رکود در این بازار می تواند اثرات مهمی از جمله کاهش نقدینگی، کاهش سودآوری شرکت‌های پذیرفته شده در بورس و همچنین کاهش رشد اقتصادی را در پی داشته باشد. در این مقاله به دنبال استخراج و پیش‌بینی سیکل‌های زمانی در بورس اوراق بهادار هستیم. در ابتدا با استفاده از شاخص کل بورس و بهره‌گیری از مدل MSI(3)AR(2) سه سیکل زمانی رکود، رونق متوسط و رونق بالا در بورس اوراق بهادار استخراج می شود. سپس با استفاده از ادغام الگوریتم NSGA(II) و سه مدل شبکه عصبی مهم‌ترین متغیرهای پیش‌بین به تفکیک هر مدل تعیین شده و به پیش‌بینی وضعیت سه ماه آینده بازار می پردازیم. در نهایت عملکرد سه نوع شبکه عصبی پرسپترون چند لایه، پایه شعاعی و شبکه احتمالی در انتخاب ویژگی و پیش‌بینی وضعیت آینده بازار با یکدیگر مقایسه شد. نتایج حاکی از آن است نتایج حاکی از آن است که هر سه مدل مورد نظر با توجه به معیارهای میزان خطا، دقت مدل و ضریب کاپا نتایج قابل قبولی را ارائه می‌دهند و مدل شبکه احتمالی نسبت به سایر مدل‌ها از خطای پایین‌تر، دقت و ضریب کاپا بیشتری برخوردار است. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  339 - 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
  
  340 - 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
  
  341 - پیش بینی نرخ ارز یورو به دلار با تکنیک شبکه عصبی مصنوعی
  شفق شریف مقدم سیدذبیح اله هاشمی
  پیش بینی نرخ ارز به عنوان یک متغیر اقتصادی مهم مورد علاقه فعالان اقتصادی است. یکی از رویکردهای متداول در پیش بینی، رویکرد تکنیکال است که از رفتار گذشته نرخ ارز برای پیش بینی استفاده می کند. البته با توجه به ساختار آشوب گونه و غیر خطی بازارهای مالی، نمی توان با یک روش مش أکثر

  پیش بینی نرخ ارز به عنوان یک متغیر اقتصادی مهم مورد علاقه فعالان اقتصادی است. یکی از رویکردهای متداول در پیش بینی، رویکرد تکنیکال است که از رفتار گذشته نرخ ارز برای پیش بینی استفاده می کند. البته با توجه به ساختار آشوب گونه و غیر خطی بازارهای مالی، نمی توان با یک روش مشخص و ساده که از ترکیب ابزارهای مختلف تکنیکال بدست می آید به پیش بینی بازار پرداخت و نیاز به روش های پیچیده تری می باشد. در دهه اخیر شبکه های عصبی به عنوان یکی از پرکاربرد ترین روش ها در زمینه طبقه بندی، تشخیص الگو و پیش بینی سری های زمانی پیچیده مورد استفاده قرار گرفته است. در این تحقیق یک مدل شبکه عصبی چندلایه جهت پیش بینی نرخ ارز یورو به دلار ارایه می شود که با بهره گرفتن از داده ها و متغیر های برگرفته شده از تحلیل تکنیکال به پیش بینی قیمت در روز آینده با دقت مطلوب می پردازد. نتایج بیانگر عملکرد مناسب این روش در مقابل سایر روش های متداول تحلیل تکنیکال و شبکه عصبی می باشد. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  342 - ارائه الگوی توسعه یافته مدل بنیش با تأکید بر ویژگی‌های خاص شرکت با استفاده از شبکه عصبی، ماشین بردار و جنگل تصادفی
  کیومرث پور قدیمی سعید جبارزاده کنگر لویی جمال بحری ثالث
  10.30495/jdaa.2023.698893
  چکیدهبا پیچیده شدن فرایند کسب و کار خطر انحراف صورت های مالی هر روز بیشتر می شود. در این راستا پژوهشگران به دنبال مدل هایی برای کشف تقلب در صورت های مالی بوده اند. هدف پژوهش ارائه مدل بسط یافته بنیش بر اساس ویژگی‌های خاص شرکت است. بنیش (1997) با استفاده از نسبت‌های مالی أکثر

  چکیدهبا پیچیده شدن فرایند کسب و کار خطر انحراف صورت های مالی هر روز بیشتر می شود. در این راستا پژوهشگران به دنبال مدل هایی برای کشف تقلب در صورت های مالی بوده اند. هدف پژوهش ارائه مدل بسط یافته بنیش بر اساس ویژگی‌های خاص شرکت است. بنیش (1997) با استفاده از نسبت‌های مالی و اقلام تعهدی شـیوه های دستکاری سود را پیش بینی نمود. از آنجایی که ویژگی‌های شرکت به عنوان عامل مؤثر بر عملکرد شرکت مطرح می شود، در این پژوهش مدل بنیش بر اساس ویژگی های خاص شرکت بسط داده می شود که عبارتند از قیمت سهام به جریان نقدی، نسبت جریان نقدی، نسبت سود تقسیمی و رقابت در بازار محصول. از برازش مدل ماشین‌بردار و جنگل تصادفی و شبکه عصبی جهت برازش مدل بسط یافته بهره گرفته شده است. نتایج نشان‌دهنده دقت ضرایب بدست آمده از مدل جنگل تصادفی 99 درصد و بیشتر از دو مدل شبکه عصبی و ماشین‌بردار 94 درصد است. همچنین مدل بسط یافته نسبت به مدل پایه دقت بیشتری دارد. ویژگی های شرکت در پیش بینی تقلب در صورت های مالی تأثیرگذار است و بهتر است توسط مشارکت‌کنندگان بازار سرمایه در نظر گرفته شود. یافته های پژوهش می تواند در بهبود پیش بینی تقلب در صورت های مالی مؤثر باشد و همچنین توجه استفاده کنندگان را به ترکیب اطلاعات صورت های مالی و ویژگی های گزارش حسابرس در پیش بینی تقلب جلب می کند تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  343 - 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
  
  344 - 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
  
  345 - ارائه الگوی توسعه‌یافته مدل بنیش با تأکید بر ویژگی‌های کیفیت حسابرسی با استفاده از شبکه عصبی، ماشین بردار و جنگل تصادفی
  کیومرث پورقدیمی جمال بحری ثالث سعید جبارزاده کنگرلویی اکبر زواری رضائی
  10.30495/afi.2022.1949904.1098
  هدف: با پیچیده شدن فرایند کسب‌وکار خطر انحراف صورت های مالی هر روز بیشتر می شود. در این راستا پژوهشگران به دنبال مدل هایی برای کشف تقلب در صورت های مالی بوده اند. هدف پژوهش ارائه مدل بسط یافته بنیش بر اساس ویژگی‌های کیفیت حسابرس است.روش‌شناسی پژوهش: بنیش (1997) با استفا أکثر

  هدف: با پیچیده شدن فرایند کسب‌وکار خطر انحراف صورت های مالی هر روز بیشتر می شود. در این راستا پژوهشگران به دنبال مدل هایی برای کشف تقلب در صورت های مالی بوده اند. هدف پژوهش ارائه مدل بسط یافته بنیش بر اساس ویژگی‌های کیفیت حسابرس است.روش‌شناسی پژوهش: بنیش (1997) با استفاده از نسبت های مالی و اقلام تعهدی شیوه های دست‌کاری سود را پیش بینی نمود. از آنجایی‌که حسابرسان به‌عنوان نظارت خارجی در ساختار راهبری شرکت ها بر عملکرد شرکت مطرح می شود، در این پژوهش مدل بنیش بر اساس ویژگی های کیفی حسابرس بسط داده می شود که عبارت‌اند از اندازه حسابرس، دوره تصدی حسابرس، تأخیر در گزارش حسابرس، طبقه حسابرس و تغییر حسابرس. از برازش مدل ماشین بردار و جنگل تصادفی و شبکه عصبی جهت برازش مدل بسط یافته بهره گرفته شده است.یافته‌ها: نتایج نشان‌دهنده دقت ضرایب به‌دست‌آمده از مدل جنگل تصادفی 4/98 درصد و بیشتر از دو مدل شبکه عصبی و ماشین بردار 93 درصد است. همچنین مدل بسط یافته نسبت به مدل پایه دقت بیشتری دارد. ویژگی های حسابرسی در پیش بینی تقلب در صورت های مالی تأثیرگذار است و بهتر است توسط مشارکت‌کنندگان بازار سرمایه در نظر گرفته شود.اصالت / ارزش افزوده علمی: یافته های پژوهش می تواند در بهبود پیش بینی تقلب در صورت های مالی مؤثر باشد و همچنین توجه استفاده کنندگان را به ترکیب اطلاعات صورت های مالی و ویژگی های گزارش حسابرس در پیش بینی تقلب جلب می کند. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  346 - Optimization of Microstructure and Mechanical Properties of Al-A360 Produced by Semi-Solid Casting
  امین کلاه دوز محسن لوح موسوی
  Semi-Solid Casting (SSM) is a new process that could produce globular structures with mechanical properties. The cooling slope method (CLM) is a one of this process that was employed to produce the A360 feedstock. In this method, The dendritic primary phase in the conve أکثر

  Semi-Solid Casting (SSM) is a new process that could produce globular structures with mechanical properties. The cooling slope method (CLM) is a one of this process that was employed to produce the A360 feedstock. In this method, The dendritic primary phase in the conventionally cast A356 alloy has transformed into a non-dendritic one. In this paper, The molten alloy with the temperature (PT) of 670, 650, 630, 610 and 590ºC was poured on the surface of the plate where cooled with water circulation in various cooling angles (CA) and lengths (CL). After pouring, the melt which became semi-solid at the end of the plate was consequently poured into cylindrical steel mold with different mold temperatures (MT). Then, a back-propagation neural network was design to correlate the process parameters. Finally, genetic algorithm (GA) was used to optimize the process parameters. Results indicated that the hardness of samples changed with PT and MT. In the best condition with changes on PT, the hardness increased 15% and it increased 5% with changes on MT. The hardness is increased around 12% and 9% with changes on CL and CA consequently. The strength is increased around 13% and 6% with changes on CL and CA consequently. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  347 - Optimization of Flash, Billet Dimensions and Friction Factor in Closed Die Cold Forging Process
  مهدی ظهور حسین شاهوردی امین تفکری
  Three important parameters in designing a closed die for forging process are ratio of width to flash thickness, ratio of height to billet diameter and the friction factor. In this paper the influences of these parameters on the required force for the forging and percent أکثر

  Three important parameters in designing a closed die for forging process are ratio of width to flash thickness, ratio of height to billet diameter and the friction factor. In this paper the influences of these parameters on the required force for the forging and percentage of die filling were investigated. It was found that by controlling the flash dimension, the material loss is reduced and the percentage of die filling is increased. Also, an experimental model was simulated and analyzed by finite element method. To validate the numerical results obtained by this research, value of gained force from finite element method was compared with the obtained experimental results. In order to coordinate and connect between the mentioned parameters and obtain a performance function, a two layer neural network was used. Finally, by using neural network and genetic algorithm, the optimum sets of parameters which minimized the force and maximized the percentage of die filling were found. These values were compared with the experimental results of other researchers. The genetic algorithm has good correlation with the experimental method as well as it has presented acceptable estimation for effective parameters in the forging process. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  348 - Optimization of Material Removal Rate in Electrical Discharge Machining Alloy on DIN1.2080 with the Neural Network and Genetic Algorithm
  مسعود عظیمی امین کلاه دوز سید علی افتخاری
  Electrical discharge machining process is one of the most Applicable methods in Non-traditional machining for Machining chip in Conduct electricity Piece that reaching to the Pieces that have good quality and high rate of machining chip is very important. Due to the rap أکثر

  Electrical discharge machining process is one of the most Applicable methods in Non-traditional machining for Machining chip in Conduct electricity Piece that reaching to the Pieces that have good quality and high rate of machining chip is very important. Due to the rapid and widespread use of alloy DIN1.2080 in different industry such as Molding, lathe tools, reamer, broaching, cutting guillotine, etc. Reaching to optimum condition of machining is very important. Therefore the main aim in this article is to consider the effect of input parameter such voltage, Current strength, on-time pulse and off-time pulse on the machining chip rate and optimizing this in the electrical discharge machining for alloy DIN1.2080. So to reach better result after doing some experiments to predict and optimize the rate of removing chip, neural network method and genetic algorithm are used. Then optimizing input parameters to maximize the rate of removing chip are performed. In this condition, by decreasing time, the product cost is decreased. Optimum parameters in this experiment in this condition are obtained under Current strength 20 ampere, 160 volt, on-time pulse 100 micro second and off-time pulse 12 micro second that is obtained 0.063 cm3/min as rate of machining chip. After doing experiment, surveying the level of error and its accuracy are evaluated. According to the obtained error value that is about 5.18%, used method is evaluated for genetic algorithm تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  349 - Modeling & Comparison of Mechanical Behavior of Foam Filled & Hollow Aluminum Tubes by LS-DYNA & Introducing a Neural Network Model
  میثم رستمی مجتبی حسنلو مصطفی سیاوشی
  Energy absorption capability of thin-walled structures with various cross sections has been considered by researchers up to now. These structures as energy absorbers are used widely in different industries such as automotive and aerospace and protect passengers and good أکثر

  Energy absorption capability of thin-walled structures with various cross sections has been considered by researchers up to now. These structures as energy absorbers are used widely in different industries such as automotive and aerospace and protect passengers and goods against impact. In this paper, mechanical behavior of thin-walled aluminum tubes with and without polyurethane foam filler subjected to axial impact has been investigated. The tubes are very thin so that (D/t) ≈ 550 governs for cylindrical specimen. Structure behavior was analyzed through finite element analysis by LS-DYNA. Circular, hexagonal, and square cross sections with the same length, thickness, and circumference of sections were studied. The results show that circular cross section has the highest energy absorption while experiences the lowest change in length compared to hexagonal and square cross sections. Besides, the effects of stress concentration in hexagonal and square sections can be observed on the corners of walls. Also under the dynamic loading circular structure was crushed more symmetric, while hexagonal and square structures tended to the buckling. Also an Artificial Neural Network is introduced to predict load & energy Absorption behavior. The Neural Network's data obtained from LS-DYNA. The introduced model could present acceptable results in comparison with analysis of LS-DYNA تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  350 - طراحی و تبیین مدل کنترل تطبیقی هوشمند در برنامه‌ریزی استراتژیک با رویکرد مالی
  زهرا صادقی محمدرضا معتدل عباس طلوعی
  سازمان‌ها برای تقویت کسب و کار خود به بینش و ابزارهایی دقیق و بروز جهت تهیه استراتژی‌های برنامه‌ریزی مالی صحیح نیازمندند. نبود یک مدل جامع با بهره گیری از ابزارها و روشهای نوین در راستای تسهیل امر برنامه‌ریزی استراتژیک با کمترین میزان انحراف از اهداف استراتژیک مالی سازم أکثر

  سازمان‌ها برای تقویت کسب و کار خود به بینش و ابزارهایی دقیق و بروز جهت تهیه استراتژی‌های برنامه‌ریزی مالی صحیح نیازمندند. نبود یک مدل جامع با بهره گیری از ابزارها و روشهای نوین در راستای تسهیل امر برنامه‌ریزی استراتژیک با کمترین میزان انحراف از اهداف استراتژیک مالی سازمان، بعنوان یک شکاف تحقیقاتی در نظر گرفته شده و ارایه آن توسط پژوهشگر، در این تحقیق مورد هدف می‌باشد. بنابراین در این پژوهش مدلی جهت کمک به برنامه‌ریزی استراتژیک سازمان‌ها در بخش مالی به منظور تصمیم‌گیری صحیح‌تر و دقیق‌تر آنها ارائه شده است. مدل استفاده شده در این تحقیق مدل کنترل تطبیقی هوشمند بوده و در فرآیندهای شناسایی سیستم و الگوریتم تطبیق آن از شبکه ی عصبی المناستفاده شده است. داده‌های مورد استفاده برای ساخت مدل، داده‌های منتشر شده در صورت‌های مالی شرکت‌ها در سایت رسمی سازمان بورس و اوراق بهادار بوده و بعنوان نمونه اولیه، از اطلاعات مربوط به شرکت نفت پارس بین سال‌های 1379 و 1397 استفاده شده است. فاکتورهای ورودی مدل، شاخص‌های تشکیل دهنده سود بعنوان سنجه عملکرد مالی شرکت بوده و خروجی مدل بازه‌های مجاز تغییرات آن فاکتورها در جهت دستیابی به هدف مطلوب است تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  351 - تحلیل ریسک خطر زلزله در منطقه آذربایجان با استفاده از روش شبکه عصبی
  سیدجواد سیدفتاحی روزبه دبیری میلاد فرشباف خلیلی
  در این تحقیق پیش‌بینی زمین لرزه و تحلیل ریسک خطر در منطقه آذربایجان با استفاده از روش شبکه عصبی صورت گرفته است. رویکرد پیش‌بینی مبتنی بر استفاده از هوش مصنوعی بر پایه داده‌های زمین‌لرزه‌های صورت گرفته در زمانهای قبل در یک بازه 100 ساله است. پنج ویژگی رویداد زمین‌لرزه از أکثر

  در این تحقیق پیش‌بینی زمین لرزه و تحلیل ریسک خطر در منطقه آذربایجان با استفاده از روش شبکه عصبی صورت گرفته است. رویکرد پیش‌بینی مبتنی بر استفاده از هوش مصنوعی بر پایه داده‌های زمین‌لرزه‌های صورت گرفته در زمانهای قبل در یک بازه 100 ساله است. پنج ویژگی رویداد زمین‌لرزه از داده‌های سالهای قبل استخراج شده است. مدل پیش بینی زمین‌لرزه بر اساس پنج ویژگی انتخاب شده با سه الگوریتم مختلف با شبکه عصبی پیشخور ایجاد شده است. نتایج اعتبار سنجی نشانگر توانایی بالای مدل در پیش‌بینی زمین‌لرزه در منطقه مورد مطالعه است. نتایج حاصل از مدل های ایجاد شده جهت تحلیل ریسک خطر در منطقه آذربایجان استفاده شده است. با توجه به نتایج بدست آمده منطقه آذربایجان مستعد وقوع زمین لرزه‌ای بالا است که لزوم رعایت دقیق استاندارد ها در ساخت و ساز بناها را میرساند. نتایج تحقیق حاضر نشان داده است که الگوریتم بیزین بهترین عملکرد را در پیش‌بینی خطر زلزله ارئه نموده است. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  352 - 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
  
  353 - ارائه مدلی برای پیش بینی سطح معنویت در سازمان های ورزشی با رویکرد شبکه عصبی مصنوعی
  سید احسان امیرحسینی ابوذر زارع
  تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  354 - 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
  
  355 - 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
  
  356 - مقایسه قدرت پیش بینی روش شبکه عصبی مصنوعی با سایر روش های پیش‏بینی: مورد قیمت چغندرقند
  حمید محمدی فرشید کفیل‏ زاده محمد نقشینه ‏فرد سیامک پیش‏ بین
  این مطالعه با هدف پیش بینی قیمت اسمی و واقعی چغندرقند و مقایسه روش شبکه عصبی مصنوعی با سایر روش ها صورت گرفت. پس از بررسی ایستایی سری ها، تصادفی بودن متغیرها با استفاده از دو آزمون ناپارامتریک والد- ولفویتز و پارامتریک دوربین- واتسون بررسی شد. براساس نتایج این آزمون ها أکثر

  این مطالعه با هدف پیش بینی قیمت اسمی و واقعی چغندرقند و مقایسه روش شبکه عصبی مصنوعی با سایر روش ها صورت گرفت. پس از بررسی ایستایی سری ها، تصادفی بودن متغیرها با استفاده از دو آزمون ناپارامتریک والد- ولفویتز و پارامتریک دوربین- واتسون بررسی شد. براساس نتایج این آزمون ها سری قیمت اسمی چغندرقند به عنوان سری غیرتصادفی و قابل پیش بینی و سری قیمت واقعی به عنوان سری تصادفی ارزیابی شد. دوره مطالعه نیز شامل سال های 1384-1350 بود. الگوهای مورد استفاده برای پیش بینی نیز شامل الگوهای خودرگرسیو (AR)، میانگین متحرک (MA)، ARIMA، تعدیل نمایی یگانه، تعدیل نمایی دوگانه، هارمونیک، ARCH و شبکه عصبی مصنوعی بود. بر اساس معیار حداقل خطای پیش بینی، از میان الگوهای مورد استفاده الگوی هارمونیک در مقایسه با سایر الگوها خطای کمتری داشت. مقادیر پیش بینی شده برای سال های 1383 و 1384 به ترتیب در دامنه 396000-344000 و 448504-398000 قرار گرفت. هم چنین مقادیر به وقوع پیوسته برای سال های یاد شده به ترتیب 387200 و 447000 می باشد. تفاصيل المقالة