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
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
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
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
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
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
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
سند
Sanad is a platform for managing Azad University publications