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
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
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
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
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
سند
Sanad is a platform for managing Azad University publications