فهرس المقالات یادگیری عمیق

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

  در این مقاله، روشی مبتنی بر شبکه های عصبی پیچشی برای ناحیه بندی تصاویر مغز نوزادان ارائه می شود. یکی از چالش های مهم در ناحیه بندی تصاویر مغز نوزادان، همپوشانی توزیع شدت روشنایی بافت های ماده خاکستری و ماده سفید است که منجر به کاهش دقت ناحیه بندی این نواحی می شود. برای افزایش تمایز سطوح خاکستری بین بافت های مغز، در این مقاله یک روش پیش پردازش مبتنی بر شبکه های عصبی پیچشی ارائه می شود که به طور موثری باعث افزایش دقت ناحیه بندی می گردد. برای به دست آوردن نتیجه نهایی ناحیه بندی، یک شبکه پیچشی دیگر ارائه می شود که بر اساس تصاویر مدالیتی T1-T2ناحیه بندی را انجام می دهد. برای ارزیابی روش پیشنهادی، از دو پایگاه داده که شامل تصاویر رزونانس مغناطیسی مغز نوزادان است استفاده می شود. نتایج به دست آمده نشان دهنده کارایی مناسب روش پیشنهادی در ناحیه بندی بافت های مغز است. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  2 - طبقه بندی بهینه تومورهای مغزی در تصاویر MRI به کمک تکنیک¬های یادگیری عمیق
  زهره عربی امید مهدی یار مهدی تقی زاده
  فناوری های تصویربرداری پزشکی و بیولوژیک، اطلاعات تصویری ارزشمندی از ساختار و عملکرد یک ارگان را از سطح مولکول¬ها تا کل جسم فراهم می کنند. مغز پیچیده ترین عضو در بدن است و با توسعه سریع فناوری های تصویربرداری پزشکی و بیولوژیکی، توجهات تحقیقاتی فزاینده ای را به خود جلب می أکثر

  فناوری های تصویربرداری پزشکی و بیولوژیک، اطلاعات تصویری ارزشمندی از ساختار و عملکرد یک ارگان را از سطح مولکول¬ها تا کل جسم فراهم می کنند. مغز پیچیده ترین عضو در بدن است و با توسعه سریع فناوری های تصویربرداری پزشکی و بیولوژیکی، توجهات تحقیقاتی فزاینده ای را به خود جلب می کند. از شایع ترین بیماری های مغز می توان به ایجاد بافت ناهنجار در سلول های مغزی اشاره کرد که منجر به تشکیل تومورهای مغزی می شود. از آنجایی که تومورهای مغزی با خطر مرگ و میر قابل توجهی مرتبط هستند و پیش بینی دقیق و سریع این بیماری در روند درمان تاثیر مستقیم دارد، لذا در این تحقیق از تعداد زیادی داده های تصویربرداری MRI تومور مغزی برای شناسایی سرطان های مغز و یافتن روشی با استفاده از تکنیک های یادگیری عمیق استفاده شد. برای تشخیص خودکار از چند مدل یادگیری عمیق استفاده شد و طبقه‌بندی سه نوع تومور مغزی، متشکل از گلیوم، مننژیوم و هیپوفیز نیزبا این الگوریتم ها انجام شد. بر اساس نتایج آزمون‌های انجام‌شده، بهترین دقت نتایج به‌دست‌آمده در این تحقیق ۹۶ درصد بود که با در نظر گرفتن نسبت 60 درصد برای داده‌های آموزشی و 40 درصد برای داده‌های آزمون حاصل شد. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  3 - 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
  
  4 - تشخیص سیگنال سالم و ناسالم قلبی بر مبنای یادگیری عمیق با استفاده از شبکه عصبی کانولوشن
  علیرضا  نصرابادیان محمد امین  نوش زاده مدیحا عباس زاده بارانی محمد مهدی مرادی
  طبق اظهارات سازمان جهانی، مهمترین عامل تهدید کننده انسان آریتمی های قلبی می باشند. بر طبق آخرین آمار جهانی بهداشت نزدیک به 50% موارد مرگ و میر بر اثر عاضه های قلبی می باشند. بر اساس تحقیقات 25% موارد مرگ و میر بر اثر بیماری های قلبی، با تشخیص به موقع و صحیح قابل احیا أکثر

  طبق اظهارات سازمان جهانی، مهمترین عامل تهدید کننده انسان آریتمی های قلبی می باشند. بر طبق آخرین آمار جهانی بهداشت نزدیک به 50% موارد مرگ و میر بر اثر عاضه های قلبی می باشند. بر اساس تحقیقات 25% موارد مرگ و میر بر اثر بیماری های قلبی، با تشخیص به موقع و صحیح قابل احیا می باشند. سیگنال الکتروکاردیوگرام مهمترین و وابسته ترین سیگنال وابسته به قلب می باشد. ثبت این سیگنال کم هزینه و و ثمر بخش می باشد و در تشخیص آریتمی ها بسیار توانمند است. استخراج ویژگی ها مهمترین قسمت برای تشخیص و پردازش می باشند. ویژگی های عمیق بر مبنای شبکه عصبی کانولوشن بسیار توانمند بوده و بادون دخالت دست انجام می شود. در این مقاله با استفاده از یادگیری عمیق بر مبنای شبکه عصبی کانولوشن ویژگی های عمیق استخراج می شوند. سپس نتایج طبقه بندی با صحت متوسط 99.3% و حساسیت متوسط 99.1% با اعتبارسنجی متقابل 10 برابری محاسبه شده است. با توجه به نتایج بدست آمده میتوان گفت که روش پیشنهادی، توانایی طبقه بندی آریتمی های قلببی را با صحت قابل قبول دارا می باشد. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  5 - 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
  
  6 - 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
  
  7 - 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
  
  8 - مکان‌یابی خودکار کاروانسراها در تصاویر ماهواره‌ای با بهره‌گیری از تکنیک‌های پردازش تصویر مبتنی بر یادگیری عمیق
  محمدحسین سالاری محمدامین  شایگان فرناز فرجی
  علیرغم افزایش روزافزون استفاده از یادگیری عمیق در پردازش تصاویر، لیکن استفاده از این تکنولوژی‌ در زمینه‌های مرتبط با میراث‌فرهنگی، به دلیل مشکلاتی همانند نبود پایگاه‌‌‌داده‌های مناسب، هزینه‌بر بودن ایجاد پایگاه‌داده‌ی جدید‌، پیچیدگی کار با شبکه‌های عصبی عمیق، نیاز به من أکثر

  علیرغم افزایش روزافزون استفاده از یادگیری عمیق در پردازش تصاویر، لیکن استفاده از این تکنولوژی‌ در زمینه‌های مرتبط با میراث‌فرهنگی، به دلیل مشکلاتی همانند نبود پایگاه‌‌‌داده‌های مناسب، هزینه‌بر بودن ایجاد پایگاه‌داده‌ی جدید‌، پیچیدگی کار با شبکه‌های عصبی عمیق، نیاز به منابع سخت‌افزاری گران‌قیمت و ...، بسیار محدود مانده است. در این مقاله با استفاده از تکنیک‌های پردازش تصویر مبتنی بر یادگیری عمیق، روشی برای مکان‌یابی خودکار کاروانسراها در تصاویر ماهواره¬ای معرفی شده است. بدین منظور یک پایگاه‌داده از تصاویر ماهواره‌ای ۲۰۳ کاروانسرای ایران ایجاد و سپس با استفاده از تکنیک یادگیری انتقالی، الگوریتم یافتن شی YOLOv5 برای مکان‌یابی کاروانسراها بر روی پایگاه‌داده فوق، آموزش داده شده است. برای بررسی کارائی این شبکه، ۲۵ تصویر جدید با ابعاد ۵/۲×۵/۲ کیلومتر مربع از محیط اطراف برخی از کاروانسراها انتخاب و با استفاده از تکنیک پنجره لغزان و وزن‌های آموزش داده شده در گام پیشین، عملیات تشخیص کاروانسراها بر روی این تصاویر انجام گرفت. به منظور کاهش میزان تشخیص‌های اشتباه، مکان‌هایی که به اشتباه تشخیص داده شده بودند، به عنوان داده جدید به پایگاه‌داده افزوده شد و الگوریتم YOLOv5 مجدداً آموزش داده شد. دقت نهایی الگوریتم پیشنهادی در یافتن محل کاروانسرا برابر mAP_0.5 ۴۳/۹۱% بوده است. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  9 - طراحی الگوی بازنگری برنامه درسی علوم تجربی دوره ابتدایی مبتنی بر دیدگاه یادگیری عمیق فولن: یک مطالعه سنتزپژوهی
  رضا جعفری هرندی
  10.30486/jsre.2023.1966202.2219
  هدف از پژوهش حاضر، طراحی الگوی بازنگری برنامه درسی علوم تجربی دوره ابتدایی مبتنی بر یادگیری عمیق دیدگاه فولن بود. روش پژوهش کیفی و به روش سنتزپژوهی بر اساس مدل کلاین بود. حوزه پژوهش شامل متون مرجع در حوزه شناسایی اصلاحات آموزشی مورد نیاز به منظور بازنگری برنامه درسی علو أکثر

  هدف از پژوهش حاضر، طراحی الگوی بازنگری برنامه درسی علوم تجربی دوره ابتدایی مبتنی بر یادگیری عمیق دیدگاه فولن بود. روش پژوهش کیفی و به روش سنتزپژوهی بر اساس مدل کلاین بود. حوزه پژوهش شامل متون مرجع در حوزه شناسایی اصلاحات آموزشی مورد نیاز به منظور بازنگری برنامه درسی علوم تجربی دورۀ ابتدایی در سال‌های 1389 تا 1400 برای اسناد داخلی و سال‌های 2010 تا 2021 برای اسناد خارجی بود. بر این اساس 51 منبع با شیوه انتخاب هدفمند مورد مطالعه و بررسی قرار گرفتند و توقف فرایند نمونه گیری، بر مبنای اشباع نظری بود. در مرحله بعد، به منظور تأیید اعتبار اجزای استخراج شده، جامعۀ پژوهش شامل متخصصان حوزه علوم تربیتی دارای مدرک دکتری در رشته‌های برنامه‌ریزی درسی و آموزش و پرورش دوره ابتدایی بودند. نمونه مورد مطالعه نیز 10 نفر از متخصصان حوزه برنامه‌ریزی درسی و آموزش و پرورش ابتدایی در شهر اصفهان در سال 1400 بودند که به صورت هدفمند انتخاب شدند. با روش لاوشه، نسبت روایی محتوایی (CVR) برای هر مؤلفه استخراج شده و همچنین هر جزء از الگو ارزیابی شد. نتایج نشان داد الگوی بازنگری برنامه درسی علوم دورۀ ابتدایی مبتنی بر دیدگاه فولن با هدف دستیابی به یادگیری عمیق و اهداف جزئی تقویت شایستگی‌های دانش‌آموزان، توجه به عناصر طراحی آموزشی، اصلاح شرایط آموزش و تسهیل فرایند تحقیق مشترک، سودمندی و قابلیت اجرایی دارد. بنابراین به دست‌اندرکاران وزارت آموزش و پروش پیشنهاد می‌شود تا به منظور اعمال اصلاحات آموزشی در برنامه درسی علوم تجربی دوره ابتدایی، از الگوی طراحی شده استفاده نمایند. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  10 - یک راهکار نیمه‌نظارتی جدید برای انتخاب اسپرم مناسب در درمان ناباروری
  آصفه توکلی پله شاهی سیدابوالقاسم میرروشندل فاطمه قاسمیان
  : امروزه، رشد چشمگیر ناباروری در جوامع مختلف و نیاز به بررسی هر یک از عوامل ناشی از ناتوانی مردان و زنان در ایجاد و تشدید آن بر کسی پوشیده نیست. در این میان، آمارهای سازمان بهداشت جهانی از رشد سریع عوامل ناتوانی مردانه در باروری تا حدود 50 درصد حکایت دارد؛ که نشان‌دهنده أکثر

  : امروزه، رشد چشمگیر ناباروری در جوامع مختلف و نیاز به بررسی هر یک از عوامل ناشی از ناتوانی مردان و زنان در ایجاد و تشدید آن بر کسی پوشیده نیست. در این میان، آمارهای سازمان بهداشت جهانی از رشد سریع عوامل ناتوانی مردانه در باروری تا حدود 50 درصد حکایت دارد؛ که نشان‌دهنده اهمیت بالای تجزیه و تحلیل مورفولوژیکی اسپرم، به عنوان یکی از مهم‌ترین و اساسی‌ترین گام‌ها در تجزیه و تحلیل مایع منی، به منظور اجرای لقاح مصنوعی است. در این مقاله، تلاش شده‌است تا به کمک یکی از روش‌های یادگیری نیمه‌نظارتی، موسوم به شبکه نردبانی، به استخراج ویژگی‌های بخش‌های مختلف اسپرم (مانند سر، واکوئل و آکروزوم) پرداخته و در ادامه با طبقه‌بندی آن‌ها در دو گروه اسپرم‌های طبیعی و غیرطبیعی، به انتخاب اسپرم مناسب، به منظور شرکت در فرآیند لقاح مصنوعی موفق شویم. پژوهش حاضر با اعمال تغییرات و بهبود عوامل مختلف به‌ویژه نویز ورودی، نتایج مناسبی را در آنالیز تصاویر با وضوح پایین و بدون رنگ‌آمیزی کسب کرده است. بررسی‌ مدل پیشنهادی برای هر سه بخش اسپرم (سر، واکوئل و آکروزوم) موفق شد با وجود تصاویری با کیفیت پایین، نتایج چشم‌گیر بیش از 70% را برای سر و آکروزوم و بیش از 80% را برای واکوئل به‌دست آورد. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  11 - کدبرداری از کدهای خطی بر مبنای معادله سندرم با استفاده از یادگیری عمیق
  علی مرادی محمد تحقیقی شربیان
  استفاده از کدهای طول کوتاه در ارتباطات دیجیتال به خاطر فراگیر شدن پدیده اینترنت اشیاء از اهمیت ویژه‌ای برخوردار است. از طرفی مدل های یادگیری عمیق در زمینه‌های مختلفی مانند تشخیص اشیاء و تشخیص گفتار نتایج لبه علمی را بدست آورده‌اند. از این میان شبکه‌های کانولوشنی نقش اسا أکثر

  استفاده از کدهای طول کوتاه در ارتباطات دیجیتال به خاطر فراگیر شدن پدیده اینترنت اشیاء از اهمیت ویژه‌ای برخوردار است. از طرفی مدل های یادگیری عمیق در زمینه‌های مختلفی مانند تشخیص اشیاء و تشخیص گفتار نتایج لبه علمی را بدست آورده‌اند. از این میان شبکه‌های کانولوشنی نقش اساسی در موفقیت مدل های یادگیری عمیق را دارند. برای افزایش دقت کدبرداری کدهای طول کوتاه (Low Density Parity Check Codes) بر مبنای معادله علامت از شبکه کانولوشنی استفاده گردید. برای تعیین جواب معادله علامت، از روش تشخیص الگوی خطا بهره گرفته شد. به این منظور، نخست شبکه کانولوشنی یک بعدی با سه لایه اصلی که هر لایه شامل زیرلایه‌های کانولوشن و ادغام میباشند استفاده شد. سپس خروجی شبکه کانولوشنی بر شبکه برگشتی GRU اعمال گردید. شبکه برگشتی GRU با تعداد سه برابر طول کدواژه با تابع فعالسازی ReLU مورد استفاده واقع گردید. تعیین مقدار ابرپارامترهای شبکه عصبی مورد استفاده ابتدا بصورت مقادیر پیش فرض کتابخانه تنسورفلو نسخه ۲ مقدار دهی و در برخی موارد برای افزایش دقت تغییر داده شدند.مقایسه بین مدل ترکیبی حاصل از شبکه کانولوشنی یک بعدی و شبکه برگشتی با مدل شبکه برگشتی نشان می دهد که برای کد LDPC با طول ۶۴ در کاهش نرخ خطای بیت، مدل ترکیبی حاصل از شبکه کانولوشنی و شبکه GRU بهتر عمل میکند. نرخ خطای بیت در شرایط نویزی مختلف به میزان ۵.۰ تا ۸.۰ دسیبل کمتر از میزان کدبردار بیشینه‌گر احتمال میباشد. همچنین نشان دادیم که شبکه‌های کانولوشنی در کنار شبکه‌های برگشتی پتانسیل این را دارند که بتوانند عملکرد چنین شبکه‌هایی را بهبود ببخشند. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  12 - 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
  
  13 - ارائه رویکردی جدید مبتنی‌بر تکنیک‌ یادگیری عمیق برای بررسی عوامل مؤثر بر استفاده از شبکه‌های اجتماعی و عملکرد تحصیلی دانش‌آموزان
  مریم بکشلو محمد تحقیقی شربیان
  از آنجا که سایت‌های شبکه‌سازی اجتماعی با هدف برند‌سازی سازمانی، استخدام کارکنان و ترغیب دانش‌آموزان برای مشارکت فعالیت می‌کنند، در حوزۀ آموزش و پژوهش بسیار سودمندند. در این پژوهش روشی برای تشخیص تاثیر استفاده از شبکه‌های اجتماعی و اینترنت بر یادگیری دانش‌آموزان، مبتنی أکثر

  از آنجا که سایت‌های شبکه‌سازی اجتماعی با هدف برند‌سازی سازمانی، استخدام کارکنان و ترغیب دانش‌آموزان برای مشارکت فعالیت می‌کنند، در حوزۀ آموزش و پژوهش بسیار سودمندند. در این پژوهش روشی برای تشخیص تاثیر استفاده از شبکه‌های اجتماعی و اینترنت بر یادگیری دانش‌آموزان، مبتنی بر تکنیک یادگیری عمیق و با طبقه‌بندی دقیق ارائه شده است. روش پیشنهادی دارای دو فاز اصلی است؛ در فاز اول داده ها طی سه مرحله یکپارچه‌سازی، پاکسازی و تبدیل داده برای مدل سازی آماده می‌شوند و در فاز بعدی بااستفاده از یادگیری عمیق به ایجاد مدل و بررسی داده‌ها پرداخته می‌شود. روش ارائه شده مبتنی بر انتخاب ویژگی داده‌های منظقه و زمان خاص است و از زمان مناسبی برای پاسخگویی بهره می‌برد. روش پیشنهادی باتوجه به صحت خروجی حصول نتیجه مناسب، می‌تواند در دنیای واقعی استفاده شود. روش مذکور در مجموعه انتخاب ویژگی دارای خروجی مطلوب به میزان 68 درصد بوده که نسبت به روش پایه بهبود 14 درصدی به ثبت رسانده است و می‌توان نتیجه گرفت که استفاده از شبکه‌های اجتماعی و اینترنت حدود 68 درصد بر یادگیری و کارایی تحصیلی دانش‌آموزان تأثیرگذار است. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  14 - ParsAirCall: تلفن گویای محاوره ای خودکار در مرکز تماس فرودگاهی با استفاده از یادگیری انتقالی عمیق
  محمد منثوری سهیل تهرانی پور سمانه یزدانی
  در دنیای امروز با عنایت به پیشرفت‌های هوش مصنوعی، سامانه‌های سنتی موجود در تعامل با مخاطبین در تماس‌های تلفنی کارآمد نخواهند بود و این کارآمدی با اتوماسیون و خودکارسازی فعالیت‌های تکراری بهبود خواهد یافت. در این مقاله، ابزار ParsAirCall معرفی شده است که یک ابزار برای تش أکثر

  در دنیای امروز با عنایت به پیشرفت‌های هوش مصنوعی، سامانه‌های سنتی موجود در تعامل با مخاطبین در تماس‌های تلفنی کارآمد نخواهند بود و این کارآمدی با اتوماسیون و خودکارسازی فعالیت‌های تکراری بهبود خواهد یافت. در این مقاله، ابزار ParsAirCall معرفی شده است که یک ابزار برای تشخیص خودکار گفتار فارسی اعداد در سامانه‌های فرودگاهی است که از یادگیری انتقالی عمیق برای بهبود عملکرد در محیط‌های واقعی و عملیاتی سامانه‌های هوشمند تلفنی گویا در فرودگاه‌های کشور می‌باشد. ParsAirCall با تعداد کمتر پارامترها و منابع محاسباتی بهینه‌تر و نیز دقت بالاتر از مدل‌های رقیب عمل می‌کند. به دلیل محدودیت داده‌های موجود برای تشخیص گفتار در زبان‌ فارسی، یک مجموعه دادگان 30ساعته تلفنی جمع‌آوری و برچسب‌گذاری شده و برای آموزش مدل نهایی مورد استفاده قرار گرفته است. آزمایش‌ها روی هر دو مجموعه داده تلفنی جمع‌آوری شده توسط ما و پروژه Common Voice انجام شدند، که کارایی ParsAirCall را در دستیابی به 2.7% میزان WER در تشخیص اعداد در تماس‌های تلفنی فرودگاهی را نشان می‌دهد. ParsAirCall می‌تواند به راحتی به عنوان یک سرویس در هر سیستم‌های تلفنی فرودگاهی فارسی زبان ادغام شود، که آن را به یک ابزار قابل اجرا برای تشخیص اعداد در مراکز تماس و سیستم‌های تلفنی فرودگاهی تبدیل ‌کند. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  15 - ارایه یک مدل پیش بینی غیرخطی با حداکثر حاشیه با کمک اسناد توصیفی برای بهبود عملکرد سیستم‌های توصیه‌گر
  مهدی رواخواه مهرداد جلالی یحیی فرقانی رضا شیبانی
  بسیاری از مدل‌های پیش‌بینی در سیستم‌های توصیه‌گر سعی در مدل کردن فاکتورهای پنهان کاربران و آیتم‌ها دارند. این مدل‌ها به کمک ماتریس امتیازات داده شده توسط کاربران به آیتم‌ها آموزش می‌بینند و کم بودن نسبت امتیازات داده شده کاربران به آیتم‌ها نسبت به کل امتیازات ممکن، باعث أکثر

  بسیاری از مدل‌های پیش‌بینی در سیستم‌های توصیه‌گر سعی در مدل کردن فاکتورهای پنهان کاربران و آیتم‌ها دارند. این مدل‌ها به کمک ماتریس امتیازات داده شده توسط کاربران به آیتم‌ها آموزش می‌بینند و کم بودن نسبت امتیازات داده شده کاربران به آیتم‌ها نسبت به کل امتیازات ممکن، باعث کاهش دقت این مدل‌ها شده است. لذا برای حل این مشکل در برخی پژوهش‌ها سعی گردیده است که علاوه بر امتیازات موجود از اطلاعات کمکی نظیر اسناد توصیفی که در مورد آیتم‌ها وجود دارند استفاده گردد. اما بسیاری از آنها از مدل‌های قدیمی‌تر پرکاربرد در متن کاوی استفاده نموده اند و همچنین عدم لحاظ نمودن حداکثر حاشیه در هنگام محاسبه ویژگی‌های کاربران و آیتم‌ها باعث گردیده است که ویژگی‌های کاربران و آیتم‌ها به شکل موثری استخراج نگردد. در این مقاله و در روش ارایه شده، مدلی غیرخطی ارایه کرده‌ایم که انعطاف بیشتری در مقایسه با مدل‌های خطی دارد و علاوه بر استفاده از اسناد توصیفی در مورد آیتم‌ها، با لحاظ کردن حداکثر حاشیه در هنگام استخراج ویژگی‌های کاربران باعث بهبود صحت پیش‌بینی گردیده است. با توجه به توانایی شبکه‌های عصبی در کار با دنباله‌ها، برای استخراج ویژگی از اسناد متنی از شبکه LSTM در مدل پیشنهادی استفاده می‌نماییم. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  16 - معماری سیستم هوشمند توصیه گر حسگرهای سلامت‌محور مبتنی بر الگوریتم های یادگیری ماشین و عمیق
  مونا بخارایی نیا محمدعلی افشار کاظمی چنگیز والمحمدی قنبر عباسپور
  فناوری‌های پوشیدنی در سال‌های اخیر رشد چشم‌گیری داشته و حسگرهای سلامت‌محور با ویژگی و قیمت‌های متفاوتی به صنعت سلامت ورود پیدا کرده‌اند که می‌توانند انتخاب را برای بیماران و پزشکان دشوار کنند. موضوع اصلی این تحقیق ارائه معماری سیستم توصیه‌گر سلامت‌‌محور با رویکرد هوشمند أکثر

  فناوری‌های پوشیدنی در سال‌های اخیر رشد چشم‌گیری داشته و حسگرهای سلامت‌محور با ویژگی و قیمت‌های متفاوتی به صنعت سلامت ورود پیدا کرده‌اند که می‌توانند انتخاب را برای بیماران و پزشکان دشوار کنند. موضوع اصلی این تحقیق ارائه معماری سیستم توصیه‌گر سلامت‌‌محور با رویکرد هوشمندسازی جهت شناسایی دو نوع بیماری قلبی و دیابت بعنوان نمونه بیمارهای شایع و پیشنهاد مناسب‌ترین دستگاه هوشمند پوشیدنی به بیماران مذکور است. بدین منظور معماری سیستم در سه لایه‌ اصلی طراحی شده است. لایه اول مدیریت داده از جمع‌آ‌وری، پاکسازی و ذخیره‌سازی داده‌های پزشکی افراد، مشخصات فنی حسگرها و نظرات استفاده‌کنندگان حسگرهای سلامت‌محور در شبکه اجتماعی مانند توییتر است. لایه دوم، برای آماده‌سازی و اعمال الگوریتم‌های یادگیری ماشین و عمیق می‌باشد و لایه سوم، تلفیق خروجی های بدست آمده از لایه‌های قبلی برای توصیه‌گری نهایی به بیمار و یا پزشک معالج می‌باشد. در این تحقیق، نتایج حاصل از پیاده‌سازی شش الگوریتم یادگیری ماشین بطور همزمان برای شناسایی بیماری و الگوریتم یادگیری عمیق، از نوع شبکه حافظه کوتاه مدت ماندگار برای محاسبه اثر تحلیل احساسات بیماران استفاده کننده دستگاه‌ها در شبکه اجتماعی توییتر در فرمول پیشنهادی برای تلفیق نتایج بدست آمده، به همراه اعمال الگوریتم ژنتیک به منظور بهینه‌سازی خروجی نهایی سیستم توصیه‌گر هوشمند أورده شده است. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  17 - استفاده از واقعیت مجازی و شبکه های عصبی عمیق برای افزایش میزان بهبودی و رضایتمندی بیماران از روند درمان کایروپرکتیک
  نونا حلمی گلاره ویسی
  امروزه به دلیل سبک زندگی نادرست، اختلالات اسکلتی شیوع بسیار بالایی پیدا کرده است. با کمک روش های کایروپرکتیک، بدون عمل جراحی و با هزینه کمتر می توان به بهبود بسیاری از این اختلالات کمک کرد. اما اغلب بیماران به این روش درمان اطمینان ندارند. در این مقاله، هدف ما آموزش و آ أکثر

  امروزه به دلیل سبک زندگی نادرست، اختلالات اسکلتی شیوع بسیار بالایی پیدا کرده است. با کمک روش های کایروپرکتیک، بدون عمل جراحی و با هزینه کمتر می توان به بهبود بسیاری از این اختلالات کمک کرد. اما اغلب بیماران به این روش درمان اطمینان ندارند. در این مقاله، هدف ما آموزش و آگاهی بخشی به بیماران و افزایش اطمینان به حصول نتیجه درمان کایروپرکتیک با استفاده از واقعیت مجازی است. بدین منظور، داده‌های بیماران مراجعه‌کنندگان، شامل عکس ام آرآی و اطلاعات شخصی بیماران و شرایط آنها جمع‌آوری شده و سطح رضایت بیمار و پزشک، از روند درمان نیز ثبت می‌شود. به کمک این داده‌ها و با استفاده از تکنیک یادگیری عمیق، مدل مناسبی برای پیش‌بینی میزان بهبودی بیمار، بعد از روند درمان ارائه می‌گردد. به علاوه، به کمک نقشه برجستگی، نشان می دهیم که کدام بخش از تصاویر برای تشخیص بیماری از اهمیت بیشتری برخوردار هستند. هم‌چنین با کمک داده های ثبت شده و مدل پیش‌بین پیشنهادی دراین مقاله، یک اپلیکیشن اندروید توسعه داده می شود که بیمار را برای ادامه درمان ترغیب کرده و حرکات اصلاحی مناسب بیمار را نیز به وی آموزش می‌دهد. مقایسه نتایج نشان می دهد استفاده از این اپلیکیشن کمک بزرگی برای بیماران خواهد بود. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  18 - مروری بر کاربرد الگوریتم‌های یادگیری عمیق استفاده‏‌ شده در توصیه POI
  مهشید صالحی حسن شاکری
  با توسعه سریع فناوری اطلاعات، حجم داده‌ها روزبه روز در حال افزایش است و این موضوع منجر به چالش های جدی در پیداکردن اطلاعات درست و مناسب برای کاربران اینترنت می‌شود. برای رفع این مشکل، انواع سیستم‌های توصیه‌گر برای تحلیل داده‌های سابقه رفتاری کاربران و ارائه خدمات شخصی ب أکثر

  با توسعه سریع فناوری اطلاعات، حجم داده‌ها روزبه روز در حال افزایش است و این موضوع منجر به چالش های جدی در پیداکردن اطلاعات درست و مناسب برای کاربران اینترنت می‌شود. برای رفع این مشکل، انواع سیستم‌های توصیه‌گر برای تحلیل داده‌های سابقه رفتاری کاربران و ارائه خدمات شخصی برای بهبود تجربه‌ها و بررسی نظر‌های مشتریان در بسیاری از زمینه‌ها ایجاد شده‌اند. با توجه به اهمیت و کاربردهای گسترده توصیه POI، این موضوع هم در تحقیقات آکادمیک و هم در صنعت در کانون توجه قرار گرفته است. با این حال، فناوری‌های سنتی مانند فیلترینگ مشارکتی با چالش کمبود داده ها محدود شده اند‌ و همچنین بسیاری از روش‌های قدیمی‌تر برای استخراج و توصیه POI طراحی نشده اند، بنابراین نمی‌توانند خصوصیات منحصر به فردی را که تأثیرات زیادی بر روابط توصیه POI دارد، استخراج کنند. در سال‌های اخیر الگوریتم‎های مختلفی از حوزه یادگیری عمیق برای توصیه‌های POI مورد توجه محققین بوده است. در این تحقیق، کارهای تحقیقاتی و مدل های ارائه شده در زمینه توصیه POI به کمک یادگیری عمیق مورد مطالعه قرار گرفته و همچنین نتایج به دست آمده از نظر الگوریتم‌های یادگیری عمیق استفاده شده، مجموعه داده‌های مورد استفاده، معیارهای ارزیابی و ابزارهای پیاده سازی مورد بررسی و تحلیل قرار گرفته‌اند. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  19 - به‌کارگیری مدلRNN شبکه‌ عصبی مصنوعی جامع جهت ارزش‌گذاری معاملات بلوکی
  عادله بحرینی مریم اکبریان فرد مهدی خوشنود
  درگذشته مطالعات برعوامل تاثیر گذار بر معاملات بلوکی شرکت‌ها متمرکز بوده اند، در حالی که ارزش‌گذاری معاملات بلوکی برای اولین بار با استفاده از مدل یادگیری عمیق Rnn ، انجام شده است.ارزش‌گذاری معاملات بلوکی کمک می‌کند تا بتواند ترکیب مناسبی از سهام بلوکی را برای به حداکثر أکثر

  درگذشته مطالعات برعوامل تاثیر گذار بر معاملات بلوکی شرکت‌ها متمرکز بوده اند، در حالی که ارزش‌گذاری معاملات بلوکی برای اولین بار با استفاده از مدل یادگیری عمیق Rnn ، انجام شده است.ارزش‌گذاری معاملات بلوکی کمک می‌کند تا بتواند ترکیب مناسبی از سهام بلوکی را برای به حداکثر رساندن بازده در افق موردنظر انتخاب کند.هدف این پژوهش بررسی اطلاعات حاصل ازگزارش‌های مالی شرکت‌های پذیرفته شـده دربـورس اوراق بهادارتهران درقالب 15 شاخص مالی و یافتن میزان تاثیر آن شاخص‌ها بر ارزش‌گذاری معاملات بلوکی با استفاده از آزمون rmse بر روی داده‌های موردمطالعه می باشد. بدین منظورازاطلاعات مالی 64 شرکت ازمجموعه شرکت‌های پذیرفتـه شـده درسـازمان بـورس اوراق بهادارتهران برای دوره زمانی 1390تا1400 استفاده شده است.نتایج نشان می دهد پیش‌بینی ارزش‌گذاری معاملات بلوکی باعث تمرکز بر بلوک‌هایی با اندازه بزرگتر به عنوان معیار اندازه گیری منافع خصوصی، می‌تواند معاملاتی که صرفاً عملیات مالی و با هدف سوددهی هستند را تحت تاثیر قرار ‌دهد و انگیزه ی نهفته خریدار بلوک برای رسیدن به کنترل و منافع مالی یا استراتژیک را شناسایی کندو قابلیت اجرایی داشته باشد. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  20 - تشخیص رتینوپاتی دیابتی با تحلیل اگزودا در تصاویر شبکیه با استفاده از یادگیری عمیق
  ملیحه شارعی نیا سید محمد حسین معطر
  رتینوپاتی دیابتی، عارضهای ناشی از دیابت است که بدلیل تغییرات ایجاد شده در رگهای خونی رخ میدهد. هدف اصلی این مقاله،ارتقاء دقت تشخیص رتینوپاتی دیابتی در تصاویر شبکیه نسبت به روشهای معمول مبتنی بر استخراج بردار ویژگی میباشد. در اینروش ابتدا بر اساس دادههای آموزشی لایه به ل أکثر

  رتینوپاتی دیابتی، عارضهای ناشی از دیابت است که بدلیل تغییرات ایجاد شده در رگهای خونی رخ میدهد. هدف اصلی این مقاله،ارتقاء دقت تشخیص رتینوپاتی دیابتی در تصاویر شبکیه نسبت به روشهای معمول مبتنی بر استخراج بردار ویژگی میباشد. در اینروش ابتدا بر اساس دادههای آموزشی لایه به لایه شبکه عصبی آموزش دیده و در نهایت شبکه عصبی کانولوشن با کمک چهار لایهکانولوشن، چهار لایه ادغام و دو لایه تماماً متصل آموزش دیده و ساخته میشوند. شبکه عصبی کانولوشن ویژگیهای موجود در تصویرشبکیه را آموخته و ویژگیهای مناسب را برای دستهبندی تصاویر استخراج میکند. در این مقاله توانستیم در آزمایشهای خود به بهبودبرای آزمودن روش ،Stare قابل قبولی نسبت به کارهای انجام شدهی قبلی برسیم که با توجه به بررسی 397 نمونه از پایگاه دادهپیشنهادی و بدست آوردن نرخ حساسیت 90 % و صحت 96 % موفقیت روش بر روی این پایگاه داده کاملاً مشهود هست. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  21 - ارائه یک مدل ترکیبی غیرقطعی برای پیشبینی قیمت رمز ارز بیتکوین CNN-LSTM
  علی علی جماعت سید محسن میرحسینی
  10.30495/qrm.2022.702933
  چکیدهدر جامع ه امروزی تنوع سرما یهگذا ری اهمیت بالایی یافته است . افرا د با تنو عبخشی به سبد سرمایه، ریسکسرما یهگذاری را کاهش م یدهند. بی تکوین نیز ب هعنوان یکی از سرما یههای دیجیتالی محبوبیت زیادی به دستآورده و در سبد سرمای هگذاری افراد و نهادها قرارگرفته است. پی شبینی أکثر

  چکیدهدر جامع ه امروزی تنوع سرما یهگذا ری اهمیت بالایی یافته است . افرا د با تنو عبخشی به سبد سرمایه، ریسکسرما یهگذاری را کاهش م یدهند. بی تکوین نیز ب هعنوان یکی از سرما یههای دیجیتالی محبوبیت زیادی به دستآورده و در سبد سرمای هگذاری افراد و نهادها قرارگرفته است. پی شبینی قیمت بیتکوین برای تعیین روندقیمتی و معاملات مهم است. برای ا ین کار رو شهای سنتی و نیز روشهای مبتنی بر یادگیری ماشین مختلفیارائه شده است که هرکدام مزایا و معا یب خود را دارن د. اخیرا استفاده از مد لهای ترکیبی مورد توجه قرارگرفته است. روشهای ترکیبی کارایی مناسبی داشته و از مزایای روشهای ترکیب شده استفاده میکنند. دراین مقاله، یک روش ترکیبی مبتنی بر شبکه عصبی عمیق کانولوشنی و شبکه عصبی بازگشتی با حذف تصادفیاحتمالی ارائه م یشود. حذف تصادفی احتمالی موجب منظمسازی یادگیری و پرهیز از بیش برازش شده وموجب کاهش خطای مدل م یشود. نتایج آزمایشهای انجام گرفته نشاندهنده دقت بالاتر روش پیشنهادینسبت به رو شهای مورد مقایسه در پیشبینی قیمت بیت کوین دارد .کلمات کلیدی: پیشبینی قیمت، بیتکوین، یادگیری ماشین و یادگیری عمیق . تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  22 - تشخیص k پست اثرگذار برمبنای یادگیری عمیق در جهت بهبود مدیریت دانش
  حسنیه صفی آریان محمد جعفر تارخ محمدعلی افشارکاظمی
  حضور رسانه های اجتماعی باعث ایجاد تحولات اساسی در جوامع امروزی شده است. این رسانه ها بستری مناسب برای کاربران در جهت اشتراک گذاری ایده ها باشد.همین امر موجب شده است که کاربران با انبوهی از اطلاعات مواجه شوند که در بیشتر اوقات مناسب آن ها نباشد و نفوذ کمی بر روی آن ها دا أکثر

  حضور رسانه های اجتماعی باعث ایجاد تحولات اساسی در جوامع امروزی شده است. این رسانه ها بستری مناسب برای کاربران در جهت اشتراک گذاری ایده ها باشد.همین امر موجب شده است که کاربران با انبوهی از اطلاعات مواجه شوند که در بیشتر اوقات مناسب آن ها نباشد و نفوذ کمی بر روی آن ها داشته باشد. ارائه روشی جهت انتخاب پست های اثرگذار برای کاربر در میان انبوهی از پست ها ، می تواند بسیار حائز اهمیت باشد. روش‌هایی که در پژوهش های اخیر در جهت انتخاب پست های اثرگذار ارائه شده است مبتنی بر خصیصه‌های آماری مربوط به داده‌های مختلف میکروبلاگ ها می‌باشند و کمتر به صورت محتوایی اثرگذاری ، هر پست را بر روی کاربر مشخص، مورد اندازه‌گیری قرار داده است. علی رغم تنوع موضوعی ، محتوایی توئیت‌ها و کاربران مختلف، اکثر این روش‌ها با ارائه یک مدل عمومی بر مبنای خصیصه‌های پرتعداد، از دقت برخوردار نیستند و قادر به ارائه پیشگویی در زمان برخط نمی باشند. در این پژوهش ، با تحلیل انتشار پست‌ها بین کاربران در بازه زمانی مشخص، به بررسی روشی برای سنجش توجه کاربران به مطالب به اشتراک گذاشته شده و تأثیرات آن‌ها پرداخته می‌شود، این روش IKS نام گذاری شده است که بر مبنای خصیصه های محتوای منتشر شده توسط کاربر ارائه شده است و به صورت یک مساله کلاس بند دودوئی که برمبنای یادگیری عمیق می باشد. ارزیابی این روش با استفاده از روش شهودی و ارزیابی مجموعه دادگان انجام شده است که دقت بیشتری در مقایسه با سایر روش ها دارد. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  23 - بهبود ساختار الگوریتم یادگیری عمیق در پردازش تصویر باالهام از ماتریس تفکیک پذیری مغز
  زهرا حیدران داروقه امنیه سیدمحمد جلال رستگار فاطمی مریم رستگارپور
  چکیده: الگوریتم های آموزش عمیق در بسیاری از مسائل بازشناسی الگو، نتایجی در سطح انسان و یا بهتر می توانند به ثبت رسانند. اما این نتایج با مکانیسمی متفاوت از مغز انسان به دست آمده است. مدل پیشنهادی در این مقاله یک الگوریتم تقسیم بندی و درون یابی با الهام از مغز انسان را ت أکثر

  چکیده: الگوریتم های آموزش عمیق در بسیاری از مسائل بازشناسی الگو، نتایجی در سطح انسان و یا بهتر می توانند به ثبت رسانند. اما این نتایج با مکانیسمی متفاوت از مغز انسان به دست آمده است. مدل پیشنهادی در این مقاله یک الگوریتم تقسیم بندی و درون یابی با الهام از مغز انسان را توصیف نموده و بعد از لایه ورودی، لایه‌ی شبکیه اعمال ‌شده است که به پیروی از شبکیه چشم، عمل رمزنگاری بر روی تصویر ورودی را انجام می‌دهد. سپس تصویر ورودی به فضای ثانی انتقال می‌یابد که تلاش برای تغییر ساختار شبکه عمیق با الهام از مسیر بینایی مغز خواهد بود. بازخورد شبکه، نرخ بازشناسی و سطح انرژی شبکه و یا جامعیت شبکه ی آموزش دیده در زیرمجموعه هایی از مجموعه داده کلتک بررسی می گردد. در نمونه های مشابه الگوریتم های آموزش عمیق برای یادگیری نیاز به داده بیشتری در مقایسه با یادگیری انسان دارد. بعلاوه، اختلاف یادگیری عمیق و انسان، تفاوت در بازنمایش اطلاعات است. در یادگیری عمیق وزن ها در جهتی بهبود می یابند تا در یک آزمایش خاص نتیجه بهینه شود ولی در انسان با میلیون ها سال تکامل، مغز انسان به گونه ای تکامل یافته تا بازنمایش بهینه و مؤثر باشد. چالش مورد بررسی دیگر، عمیق تر شدن لایه های یادگیری عمیق است. تعداد این لایه ها نسبت به مغز چندین برابر گشته است و این مسئله منجر به پیچیدگی و صرف انرژی بیشتر می شود. اما در مغز با صرف انرژی کمتر می تواند تشخیص را انجام دهد. بیشینه نرخ بازشناسی مدل پیشنهادی به 93 درصد می رسد و مدل پایه نزدیک به 91 درصد است. همچنین مدل پیشنهادی تنک‌تر و نرخ آتش نورون ها در لایه های ابتدایی کمتر و پایداری بالایی به تغییرات شدت روشنایی داشته، تفکیک پذیری در لایه های مدل بالاتر رفته و توانسته در مواجهه با تصاویر نویزی پاسخ بهتری نشان دهد و افت بازشناسی کمتری را ثبت کند. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  24 - پیش‌بینی بلندمدت تقاضا در "زنجیره تامین انرژی الکتریکی صنایع سنگ آهن اسپیدان" با استفاده از شبکه عصبی عمیق و ماشین یادگیری شدید
  سپهر معلم رویا محمدعلی پوراهری غضنفر شاهقلیان مجید معظمی سید محمد کاظمی
  صنایع سنگ آهن اسپیدان یکی از صنایع پر مصرف برق در زنجیره تامین انرژی الکتریکی استان اصفهان به عنوان دومین قطب صنعتی کشور و یکی از تامین کنندگان اصلی مواد اولیه در زنجیره تامین صنایع فولاد کشور است. برنامه ریزی در یک زنجیره تامین انرژی الکتریکی با ابعاد بزرگ در فضائی پر أکثر

  صنایع سنگ آهن اسپیدان یکی از صنایع پر مصرف برق در زنجیره تامین انرژی الکتریکی استان اصفهان به عنوان دومین قطب صنعتی کشور و یکی از تامین کنندگان اصلی مواد اولیه در زنجیره تامین صنایع فولاد کشور است. برنامه ریزی در یک زنجیره تامین انرژی الکتریکی با ابعاد بزرگ در فضائی پر از تردید و عدم قطعیت، با پیش بینی تقاضای انرژی الکتریکی آغاز می گردد. در این مقاله یک روش پیش بینی بلندمدت تقاضا در زنجیره تامین انرژی الکتریکی صنایع سنگ آهن اسپیدان اصفهان با استفاده از یک روش ترکیبی شامل تبدیل موجک، شبکه عصبی عمیق و تکنیک داده کاوی مبتنی بر ماشین یادگیری شدید پیشنهاد شده است. داده های مورد نظر در این مطالعه با توجه به اطلاعات ثبت شده از سیگنال تقاضای انرژی الکتریکی صنایع تولیدی سنگ آهن اسپیدان در یک بازه زمانی 40 ماهه و به صورت 24 ساعته استخراج و استفاده شده است. داده ها در بخشی از دوره مورد نظر ناشی از عدم تولید این صنعت در بازه مورد مطالعه منقطع بود به طوری که فقط 40 درصد از داده ها دارای مقدار و 60 درصد مابقی صفر یا ناهمگون بوده اند. این موضوع باعث نقص اطلاعات و بالا رفتن خطای پیش بینی در بخش اول الگوریتم پیشنهادی در خروجی شبکه عصبی عمیق تا 40 درصد شد. جهت بهبود پیش بینی و کاهش خطای ایجاد شده، با تکمیل مدل پیشنهادی با ماشـین یـادگیری شـدید، امکان ایجاد یـک مدل پیش بینی بهبود یافته برای انجام آموزش تحت نظارت میسر گردید. در نهایت نتایج به دست آمده با تکنیک های دیگری مانند ماشین بردار پشتیبان و درخت تصمیم گیری مقایسه شده است. نتایج بهبود و کاهش خطا و افزایش قابل توجه دقت روش پیشنهادی در پیش بینی بلند-مدت تقاضا در زنجیره تامین انرژی الکتریکی صنایع سنگ آهن اسپیدان را نشان می دهند. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  25 - مروری جامع بر روش های داده محور در شبکه های هوشمند برق
  خالق بهروز دهکردی هما موحدنژاد مهدی شریفی
  امروزه شبکه برق به طور چشم گیری در حال تبدیل شدن به شبکه هوشمند (SG)، به عنوان یک چشم انداز امیدوارکننده برای برخورداری از قابلیت اطمینان بالا و مدیریت کارآمد انرژی است. این انتقال به طور پیوسته در حال تغییر است و نیازمند روش های پیشرفته برای پردازش کلان داده های تولید أکثر

  امروزه شبکه برق به طور چشم گیری در حال تبدیل شدن به شبکه هوشمند (SG)، به عنوان یک چشم انداز امیدوارکننده برای برخورداری از قابلیت اطمینان بالا و مدیریت کارآمد انرژی است. این انتقال به طور پیوسته در حال تغییر است و نیازمند روش های پیشرفته برای پردازش کلان داده های تولید شده از بخش های مختلف است. روش های هوش مصنوعی می توانند از طریق استخراج اطلاعات ارزشمند که توسط دستگاه های اندازه گیری و سنسور های موجود در شبکه تولید می شوند خدمات مبتنی بر داده را ارائه نمایند. به این منظور روش های یادگیری ماشین، یادگیری عمیق، یادگیری تقویتی و یادگیری عمیق تقویتی می توانند به کار گرفته شوند. این روش ها می توانند حجم زیادی از داده های جمع آوری شده را پردازش نموده و راه حل مناسبی برای مشکلات پیچیده صنعت برق ارائه نمایند. از این رو در این مقاله آخرین رویکرد های مبتنی بر هوش مصنوعی مورد استفاده در شبکه هوشمند برق برای کاربرد ها و منابع داده به طور جامع بررسی شده است. همچنین نقش کلان داده در شبکه هوشمند برق و ویژگی های آن از جمله چرخه حیات کلان داده و رویکردهای موثر آن مانند پیشگویی، تعمیرات قابل پیش بینی و تشخیص خطا در صنعت برق بیان می شود. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  26 - شناسایی پارامترهای بارهای الکتریکی با استفاده از ساختار چند متغیره مبتنی بر یادگیری عمیق
  امید ایزدی قهفرخی مزدا معطری احمد فروزان تبار
  مدل‌سازی بار یکی از وظایف ضروری در مطالعات سیستم‌های قدرت محسوب می شوند. با توسعه سیستم‌های قدرت این مسئله بیش از پیش پیچیده تر شده ‌است. روش‌های پیشین مدل‌سازی بار دارای عیوب اساسی مانند الف) حساسیت بالا به نویز، ب) عدم لحاظ همگرایی بارهای الکتریکی در یک شبکه، ج) وابست أکثر

  مدل‌سازی بار یکی از وظایف ضروری در مطالعات سیستم‌های قدرت محسوب می شوند. با توسعه سیستم‌های قدرت این مسئله بیش از پیش پیچیده تر شده ‌است. روش‌های پیشین مدل‌سازی بار دارای عیوب اساسی مانند الف) حساسیت بالا به نویز، ب) عدم لحاظ همگرایی بارهای الکتریکی در یک شبکه، ج) وابستگی به مدل ریاضی، د) بار محاسباتی بالا و ه) وابستگی به اندازه‌گیری محلی هستند. برای رفع این مشکلات، در این مقاله یک ساختار مبتنی بر یادگیری عمیق توسعه داده شده است که قادر به شناسایی تعداد زیادی از پارامترهای بار به صورت همزمان با سرعت و دقت مطلوب است. ساختار طراحی شده قادر به درک کامل ویژگی‌های زمانی بر مبنای یک ساختار حافظه‌دار بازگشتی است. همچنین، برای تخمین تعداد متغیرهای زیاد یک روش اختصاص‌دهی وزن برای این مدل توسعه داده شده ‌است. نهایتأ، یک تابع تلفات فرمول‌بندی شده ‌است تا مقاوم ‌بودن ساختار در برابر با نویز را افزایش دهد. مطالعات عددی بر روی شبکه 68-شینه IEEE موثر بودن و برتری روش پیشنهادی را در مقایسه با تعدادی از روش‌های کم‌-عمق و عمیق را نشان می دهد. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  27 - افزایش دقت شبکه‌های عصبی کانولوشنی مبتنی بر مدل چهار-جریان با فیلترهای پردازش تصویر و نگاشت خطی‌ساز فضای عدم تشابه
  زهرا حیدران داروقه امنیه سید محمد جلال رستگار فاطمی مریم رستگارپور گلناز آقایی قزوینی
  در سال‌های اخیر با گسترش و موفقیت شبکه‌های کانولوشنی، موضوع یادگیری عمیق بیش از پیش مورد توجه قرار گرفته است. از آنجا که شبکه‌های کانولوشنی شامل لایه های زیادی هستند، یادگیری بهینه لایه‌های شبکه از اهمیت بالایی برخوردار است. در این مقاله، مدل جدیدی به نام چهار-جریان، با أکثر

  در سال‌های اخیر با گسترش و موفقیت شبکه‌های کانولوشنی، موضوع یادگیری عمیق بیش از پیش مورد توجه قرار گرفته است. از آنجا که شبکه‌های کانولوشنی شامل لایه های زیادی هستند، یادگیری بهینه لایه‌های شبکه از اهمیت بالایی برخوردار است. در این مقاله، مدل جدیدی به نام چهار-جریان، با هدف کمک به خطی کردن فضای داده از طریق تبدیل عدم تشابه بازنمایی ارائه و تأثیر این تبدیل روی طبقه بندهای استاندارد برای داده های مصنوعی و تصاویر سیفار-10 بررسی و دو مدل مبتنی بر پیش پردازش داده با تبدیل عدم تشابه بازنمایی و فیلترهای سوبل و آشکارساز لبه تحلیل شده است. مدل چهار-جریان به دلیل بالا رفتن تعداد پارامترهای مدل و به تبع آن ظرفیت شبکه میزان 2/3 درصد افزایش دقت داشته است و اضافه نمودن بازنمایی عدم تشابه در جایی که طبقه بند نتواند با ویژگی های اصلی، تفکیک پذیری بالایی انجام دهد، می تواند تا حدودی با افزودن ویژگی های خطی به تفکیک پذیری کلاس ها کمک کند. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  28 - 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
  
  29 - 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
  
  30 - بررسی مقایسه‌ای مدل یادگیری عمیق با طبقه‌بندی دوتایی و چندتایی جهت پیش‌بینی روند بازار سهام از طریق تشخیص الگوهای فراکتال مبتنی بر تئوری امواج الیوت
  مسعود نادم یحیی کامیابی اسفندیار ملکیان
  10.30495/fed.2024.709342
  چکیده یکی از روش های محبوب اما پیچیده در تحلیل تکنیکال، روش امواج الیوت است. در این روش مهمترین بخش، تشخیص الگوهای روند اصلی بازار است که با توجه به ساختار فراکتال بازار، کاری دشوار است. اما همانند سایر حوزه ها، بکارگیری هوش مصنوعی در زمینه ی پیش بینی های مالی نیز بسیا أکثر

  چکیده یکی از روش های محبوب اما پیچیده در تحلیل تکنیکال، روش امواج الیوت است. در این روش مهمترین بخش، تشخیص الگوهای روند اصلی بازار است که با توجه به ساختار فراکتال بازار، کاری دشوار است. اما همانند سایر حوزه ها، بکارگیری هوش مصنوعی در زمینه ی پیش بینی های مالی نیز بسیار فراگیر شده است. لذا به نظر می رسد بکارگیری هوش مصنوعی در تحلیل به روش امواج الیوت، جذاب باشد. لذا در پژوهش حاضر با معرفی مدل یادگیری عمیق جهت پیش بینی بازار از طریق تشخیص الگوهای امواج الیوت، به بررسی و مقایسه ی توان مدل در دو حالت طبقه بندی دوتایی و چندتایی پرداخته شده است. در این پژوهش برای 15 الگوی مدنظر، تعداد 1002 نمونه از نمودارهای قیمت سهام شرکت های حاضر در بورس ایران در دوره 11 ساله 1390 تا 1400، جمع آوری و برچسب گذاری گردید و نهایتاً برای تشخیص به عنوان ورودی به الگوریتم یادگیری عمیق با بکارگیری مدل شبکه های عصبی بازگشتی، در دو حالت طبقه بندی دوتایی و چندتایی وارد گردید. در این پژوهش جهت طراحی و اجرای مدل از نرم افزار RapidMiner 9.9 و جهت تعیین توان مدل از معیار صحت استفاده شد. نتایج حاصل نشان دهنده ی صحت %18 در تشخیص الگوها در حالت طبقه بندی چندتایی و صحت 61% در حالت طبقه بندی دوتایی است. لذا توان مدل یادگیری عمیق در تشخیص الگوهای فراکتال امواج الیوت و در نتیجه پیش بینی روند بازار، در حالت طبقه بندی دوتایی به طور قابل توجهی نسبت به حالت طبقه بندی چندتایی بالاتر است. بنابراین پژوهش حاضر بکارگیری مدل یادگیری عمیق با طبقه بندی دوتایی را جهت تشخیص الگوهای فراکتال امواج الیوت توصیه می نماید. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  31 - 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
  
  32 - پیش ‏بینی ارزش شرکت مبتنی بر روش‏های یادگیری عمیق
  سیده مریم بابانژاد باقری عباسعلی پورآقاجان محمد مهدی عباسیان
  10.30495/fed.2023.705603
  چکیده پیش بینی و درک روشن از رفتار یک پدیده نقش عمده ای در اتخاذ راهبردها و تصمیم گیری ها دارد. توسعه همه جانبه و تعمیق بازار سرمایه به عنوان موتور محرکه توسعه اقتصادی، نیازمند اعتماد عمومی مشارکت کنندگان به کارایی و درستی آن در تعیین قیمت عادلانه اوراق بهادار است. از أکثر

  چکیده پیش بینی و درک روشن از رفتار یک پدیده نقش عمده ای در اتخاذ راهبردها و تصمیم گیری ها دارد. توسعه همه جانبه و تعمیق بازار سرمایه به عنوان موتور محرکه توسعه اقتصادی، نیازمند اعتماد عمومی مشارکت کنندگان به کارایی و درستی آن در تعیین قیمت عادلانه اوراق بهادار است. از سوی دیگر، پیش بینی ارزش شرکت، نوسانات قیمت یا بازدهی سهام اهمیت زیادی در انتخاب پرتفوی، مدیریت دارایی‌ها و حتی قیمت گذاری سهام شرکت‌هایی که تازه وارد بورس می‌شوند، دارد. در این پژوهش با استفاده از داده های 159 شرکت طی دوره زمانی 10 ساله شامل 1399-1390 و عوامل موثر بر ارزش شرکت شامل نسبت های مالی، سازوکارهای راهبری شرکتی، عوامل اقتصاد کلان و بازار سهام اقدام به پیش بینی ارزش شرکت شده است. در این پژوهش از دو ساختار روش یادگیری عمیق شامل GRU و BLSTM جهت ارزیابی بهتر استفاده می شود. نتایج حاصل از بررسی داده های گردآوری شده با استفاده از تکنیک های یادگیری عمیق، بیانگر آن بود که مدل ترکیبی با مقدار خطای RMSE کمتری نسبت به مدل GRU ارزش شرکت را پیش بینی کرده است تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  33 - به کارگیری مدل‌های یادگیری ماشین در تشکیل پرتفوی بهینه سهام و مقایسه کارایی آنها
  محمد سرچمی احمد خدامی پور مجید محمدی حدیث زینلی
  هرچند مدل‌های اقتصاد سنجی برای توصیف و ارزیابی روابط بین متغیرها با استنتاج آماری مناسب هستند، اما محدودیت‌هایی برای تحلیل‌های مالی دارند. تلاش‌های زیادی برای مدل‌سازی روابط غیرخطی در داده‌های مالی با استفاده از فناوری‌های یادگیری ماشین انجام شده است. هدف از انجام این پ أکثر

  هرچند مدل‌های اقتصاد سنجی برای توصیف و ارزیابی روابط بین متغیرها با استنتاج آماری مناسب هستند، اما محدودیت‌هایی برای تحلیل‌های مالی دارند. تلاش‌های زیادی برای مدل‌سازی روابط غیرخطی در داده‌های مالی با استفاده از فناوری‌های یادگیری ماشین انجام شده است. هدف از انجام این پژوهش به‌‌کارگیری مدل‌های یادگیری ماشین در تشکیل پرتفوی بهینه سهام و مقایسه کارایی آن‌ها است. نمونه آماری پژوهش حاضر، شامل 156 شرکت پذیرفته‌شده در بورس اوراق بهادار تهران برای بازه زمانی 1387 تا 1396 است. پس از گردآوری داده‌ها، مدل‌های یادگیری عمیق موردنظر در نرم‌افزار آناکوندا و زبان برنامه‌نویسی پای‌تون، مورد آزمون قرار گرفت و سپس توانایی هر یک از مدل‌ها در تشکیل پرتفوی بهینه سهام توسط معیارهای ارزیابی بازده، بازده مرکب، ترینر و جنسن تعیین شد. با توجه به نرخ بازده بدون ریسک و نرخ بازده بازار و اینکه سرمایه‌گذاران با تشکیل پرتفوی به دنبال سودآوری بیشتر از این دو نرخ بازده هستند و هم‌چنین نتایج ارزیابی پرتفوی دو شاخص ترینر و جنسن، این نتیجه حاصل گردید که مدل شبکه عصبی کانولوشن یادگیری عمیق توانایی تشکیل پرتفوی بهینه سهام را دارد و بر طبق همین استدلال، مدل شبکه عصبی بازگشتی حافظه طولانی کوتاه‌مدت توانایی تشکیل پرتفوی بهینه سهام را ندارد. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  34 - طراحی مدلی جهت پیش بینی بازده شاخص کل بورس اوراق بهادار(با تاکید بر مدل‌های ترکیبی شبکه یادگیری عمیق و مدل‌های خانواده GARCH)
  مهدی ذوالفقاری بهرام سحابی محمد جواد بختیاران
  در سال‌های اخیر، توسعه‌ی پردازنده‌های کامپیوتری موجب معرفی الگوریتم‌های جدیدی برای پیش‌بینی دادههای مالی شده است که یکی از این الگوریتم‌ها، یادگیری ماشین (Machine Learning) است. از اینرو در پژوهش حاضر به معرفی یک مدل ترکیبی‌ از شبکه یادگیری عمیق (Deep Learning) و مدل‌ها أکثر

  در سال‌های اخیر، توسعه‌ی پردازنده‌های کامپیوتری موجب معرفی الگوریتم‌های جدیدی برای پیش‌بینی دادههای مالی شده است که یکی از این الگوریتم‌ها، یادگیری ماشین (Machine Learning) است. از اینرو در پژوهش حاضر به معرفی یک مدل ترکیبی‌ از شبکه یادگیری عمیق (Deep Learning) و مدل‌های منتخب خانواده GARCH جهت پیش‌بینی کوتاه‌مدت بازدهی روزانه شاخص کل بورس اوراق بهادار تهران پرداخته می‌شود. مهمترین ویژگی شبکه یادگیری عمیق در این است که بدون محدود بودن به مدل‌های معین، می‌تواند خود را با نوسانات متغیرهای بازار هماهنگ و تعدیل نماید. در این پژوهش از میان مدل‌های شبکه یادگیری عمیق، شبکه عصبی بازگشتی مبتنی بر حافظه کوتاه‌مدت و بلندمدت (RNN-LSTM) انتخاب و از مدل‌های دارای حافظه‌کوتاه مدت GARCH و EGARCH در ساختار آن استفاده می‌شود. همچنین دو متغیر مستقل قیمت نفت و نرخ دلار در ساختار مدل ترکیبی، کمک فراوانی به آن در پیش‌بینی دقیقتر داده‌های مالی می‌کند. نتایج تحقیق نشان می‌دهد که مدلهای ترکیبی دقت پیش‌بینی بالاتری نسبت به مدل‌های تکی دارند. همچنین براساس معیارهای ارزیابی خطای پیش‌بینی RMSE و MAPE، مدل RNN-LSTM-EGARCH برپایه توزیع GED 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
  
  35 - 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
  
  36 - 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
  
  37 - یادگیری عمیق برای پیش‌بینی بازار سهام با استفاده از اطلاعات عددی و متنی (رویکرد الگوریتم حافظه کوتاه مدت ماندگارLSTM)
  سیده مژگان بهشتی مسئله گو محمدعلی افشارکاظمی جلال حقیقت منفرد علی رضاییان
  قیمت سهام تحت تأثیر عوامل بسیاری است،که کار پیش‌بینی را چالش‌برانگیز می‌کند. این پیش‌بینی اگر فقط داده‌های عددی یا اطلاعات متنی را در نظر بگیرد، اغلب بی‌اثر می‌شود. هدف این پژوهش ارائه یک روش پیش‌بینی قیمت روز آینده سهام بر اساس ساختار شبکه عصبی عمیق با استفاده از داده‌ أکثر

  قیمت سهام تحت تأثیر عوامل بسیاری است،که کار پیش‌بینی را چالش‌برانگیز می‌کند. این پیش‌بینی اگر فقط داده‌های عددی یا اطلاعات متنی را در نظر بگیرد، اغلب بی‌اثر می‌شود. هدف این پژوهش ارائه یک روش پیش‌بینی قیمت روز آینده سهام بر اساس ساختار شبکه عصبی عمیق با استفاده از داده‌های قیمت، مجموعه‌ای از شاخص‌های فنی و سر تیتر اخبار به‌عنوان ورودی مدل است. برای این منظور از داده‌های سهام شاخص داوجونز و داده‌های خبری کانال ردیت استفاده شده است. از داده‌های سهام ویژگی‌های مبتنی بر شاخص فنی استخراج می‌شوند و داده‌های خبری توسط روش کوله‌کلمات به بردار ویژگی تبدیل می‌شوند و به شبکه حافظه کوتاه‌مدت ماندگار (LSTM) برای پیش‌بینی داده می‌شوند.از دقت به‌عنوان معیار ارزیابی عملکرد استفاده شده و آزمایش‌هایی بر روی دو مجموعه داده فقط عددی و فقط متنی برای ارزیابی استفاده همزمان دو منبع اطلاعاتی انجام پذیرفته است. همچنین ازسه شبکه ،SVM ، MLPوRNN برای ارزیابی مدل استفاده شده است. نتایج نشان می‌دهد که مدل LSTM بالاترین دقت پیش‌بینی 69.19% را با استفاده از اخبار و داده‌های مالی به دست آورده است. داده‌های خبری با دقت65.62% و داده‌های عددی با دقت51.89% می‌باشند.همچنین مدل LSTMدر مقایسه با شبکه‌های عصبی SVM وMLP و RNN از عملکرد بهتری برخوردار می‌باشد. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  38 - ارائه ی مدلی جهت پیش بینی روند بازار سهام از طریق تشخیص الگوهای فراکتال مبتنی بر تئوری امواج الیوت با استفاده از روش یادگیری عمیق
  مسعود نادم یحیی کامیابی اسفندیار ملکیان
  امروزه هوش مصنوعی در تشخیص الگوهای نموداری در تحلیل تکنیکال تحولی بزرگ ایجاد کرده است. البته ظهور روش‌‌های جدید و پیچیده‌ در تحلیل تکنیکال، هر بار چالش نویی برای روش‌‌‌‌های هوش مصنوعی فراهم کرده است. از جمله روش‌های مورد‌ اقبال و پیچیده‌ی تحلیل تکنیکال، تئوری امواج الیو أکثر

  امروزه هوش مصنوعی در تشخیص الگوهای نموداری در تحلیل تکنیکال تحولی بزرگ ایجاد کرده است. البته ظهور روش‌‌های جدید و پیچیده‌ در تحلیل تکنیکال، هر بار چالش نویی برای روش‌‌‌‌های هوش مصنوعی فراهم کرده است. از جمله روش‌های مورد‌ اقبال و پیچیده‌ی تحلیل تکنیکال، تئوری امواج الیوت است. از طرف دیگر سرعت پیشرفت روش‌های هوش مصنوعی نیز به گونه ای است که هر بار روشی قدرتمندتر معرفی می‌گردد. از جمله روش‌های نوین و قدرتمند هوش مصنوعی روش یادگیری عمیق است. لذا در پژوهش حاضر به ارائه‌ی مدلی جهت پیش‌بینی روند بازار سهام از طریق تشخیص الگوهای فراکتال مبتنی بر تئوری امواج الیوت با استفاده از روش یادگیری عمیق پرداخته شده است. در این پژوهش تعداد 15 الگوی امواج الیوت مدنظر قرار گرفت و سپس تعداد 1002 نمونه از نمودارهای قیمت سهام شرکت های حاضر در بورس ایران، برای الگوها جمع آوری و برچسب گذاری گردید و نهایتاً برای تشخیص به عنوان ورودی به الگوریتم یادگیری عمیق با بکارگیری مدل شبکه های عصبی بازگشتی وارد گردید. در این پژوهش از نرم افزار RapidMiner 9.9 و جهت تعیین توان مدل از معیار صحت استفاده شد. نتایج حاصل نشان دهنده‌ی صحت 61 درصدی در تشخیص الگوها توسط مدل است. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  39 - ارائه مدلی برای پیش‌بینی ارزش‌گذاری معاملات بلوکی با رویکرد شبکه عصبی مصنوعی LSTM
  عادله بحرینی مریم اکبریان فرد مهدی خوشنود
  10.30495/afi.2023.1991282.1242
  هدف: در غالب پژوهش‌های پیشین در ایران و سایر کشورهای دیگر توانمندی سیستم‌های هوشمند در پیش‌بینی متغیرهای اقتصادی و مالی به‌ویژه قیمت سهام تأیید شده است، اما در ارزش‌گذاری معاملات بلوکی برای اولین‌بار محاسبه می‌گردد. هدف پژوهش حاضر بررسی نتایج رویدادها و اطلاعات از گزارش أکثر

  هدف: در غالب پژوهش‌های پیشین در ایران و سایر کشورهای دیگر توانمندی سیستم‌های هوشمند در پیش‌بینی متغیرهای اقتصادی و مالی به‌ویژه قیمت سهام تأیید شده است، اما در ارزش‌گذاری معاملات بلوکی برای اولین‌بار محاسبه می‌گردد. هدف پژوهش حاضر بررسی نتایج رویدادها و اطلاعات از گزارش‌‌های مالی شرکت‌های پذیرفته شده در بورس اوراق بهادار تهران در قالب 15 شاخص مالی و یافتن میزان تأثیرگذاری این شاخص‌ها بر ارزش‌گذاری معاملات بلوکی با استفاده از آزمون Rmse بر روی داده‌های Test موردمطالعه قرار گرفته است.روش‌شناسی پژوهش: بدین منظور از اطلاعات مالی 64 شرکت ازمجموعه شرکت‌های پذیرفته شده درسازمان بورس اوراق بهادارتهران برای دوره زمانی 1390 تا1400 استفاده شده است. فرضیه‌ی تحقیق با بهره‌گیری از شبکه عصبی یادگیری عمیق مدل LSTM آزمون شده‌است.یافته‌ها: شبکة عصبی LSTM به جهت توانمندی بالا در آموزش داده‌ها و وزن‌های مناسب به این داده‌ها و خلق مسیری که با سرعت و دقت نتایج قابل‌قبولی جهت پیش‌بینی ارزش‌گذاری معاملات بلوکی دارد.اصالت / ارزش‌افزوده علمی: در مدل ارائه شده با اندازه‌گیری ارزش‌گذاری معاملات بلوکی، قیمت این معاملات، اثرات اطلاعات و نقدینگی معاملات با اندازه‌بزرگ را واپایش خواهیم نمود. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  40 - فولن و چرایی یادگیری عمیق در برنامه درسی
  ثریا میرشکاری نرگس کشتی آرای حمید عزیزی ملک آبادی
  امروزه دیگر آموختن، سپردن مجموعه‌ای از دانستنی‌ها و انبوهی از مسائل حل‌شده به حافظه نیست. این روش نمی‌تواند یادگیرندگان را برای زیستن در آینده‌ای که مملؤ از مسائل غیرقابل پیش‌بینی است، آماده کند. بنابراین مهمترین وظیفه نظام آموزشی، پرورش مهارت‌هایی است که دانش‌آموزان را أکثر

  امروزه دیگر آموختن، سپردن مجموعه‌ای از دانستنی‌ها و انبوهی از مسائل حل‌شده به حافظه نیست. این روش نمی‌تواند یادگیرندگان را برای زیستن در آینده‌ای که مملؤ از مسائل غیرقابل پیش‌بینی است، آماده کند. بنابراین مهمترین وظیفه نظام آموزشی، پرورش مهارت‌هایی است که دانش‌آموزان را قادر می‌سازد، خود حل‌ مسائل و کشف مجهولات را به‌عهده بگیرد و این هدف جز با تمرکز بر یادگیری عمیق میسر نخواهد بود به‌همین منظور، برای ارائه چشم‌انداز واضحی از یادگیری عمیق، در این پژوهش نظریه فولن و چرایی توجه یادگیری عمیق در برنامه درسی با استفاده از روش تحلیل محتوای قیاسی بررسی شد. محیط پژوهش شامل متون مرجع در حوزه نظریه فولن و یادگیری عمیق بود که 7 منبع با این محوریت در محدوده سال‌های 2010 تا 2020 به عنوان نمونه به شیوه هدفمند انتخاب شدند. به منظور اعتباربخشی محتوایی نتایج حاصل از تحلیل محتوا نمونه مورد مطالعه شامل متخصصان حوزه برنامه‌ریزی درسی در سال 1402 و شامل 10 نفر بودند که به صورت هدفمند انتخاب شدند. در راستای اعتبارسنجی مؤلفه ‌های شناسایی‌شده از تحلیل محتوا، از روش هولستی استفاده شد. یافته‌ها نشان داد به منظور دستیابی به یادگیری عمیق توجه به چهار لایه شایستگی‌های شش‌گانه جهانی شامل شخصیت، تابعیت و تعلق اجتماعی، خلاقیت، تفکر انتقادی، همکاری و ارتباطات؛ عناصر چهارگانه طراحی یادگیری شامل شیوه‌های آموزشی، مشارکت‌های یادگیری، محیط‌های یادگیری و استفاده از دیجیتال؛ شرایط لازم برای یادگیری عمیق در مدرسه، منطقه و سیستم‌ها؛ و فرایند تحقیق مشترک ضروری است. بنابراین به سازمان آموزش‌و‌پرورش و متخصصان نظام آموزشی پیشنهاد می‌شود به‌منظور فراهم ‌آوردن بستر نظام‌مند پرورش یادگیری عمیق، نظریه فولن را مبنا قرار دهند. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  41 - امکان سنجی مدل پیش بینی اقتصادی بر اساس الگوریتم هوشمند شهر هوشمند
  مهسا خدادادی لاریسا خدادادی روزبه دبیری
  شهرهای هوشمند از فضا استفاده بهتری می‌کنند و تردد کمتر، هوای پاک‌تر و خدمات شهری کارآمدتری دارند و کیفیت زندگی مردم را بهبود می‌بخشند. تعداد زیاد وسایل نقلیه که به طور مداوم در نقاط شلوغ در شهرهای هوشمند در حال تردد هستند، دستیابی به یک فضای پارک عمومی را پیچیده می کند. أکثر

  شهرهای هوشمند از فضا استفاده بهتری می‌کنند و تردد کمتر، هوای پاک‌تر و خدمات شهری کارآمدتری دارند و کیفیت زندگی مردم را بهبود می‌بخشند. تعداد زیاد وسایل نقلیه که به طور مداوم در نقاط شلوغ در شهرهای هوشمند در حال تردد هستند، دستیابی به یک فضای پارک عمومی را پیچیده می کند. این امر چالش هایی را هم برای ترافیک و هم برای ساکنان ایجاد می کند. با چنین جمعیت گسترده ای، تراکم جاده ها یک چالش جدی است. منابع حیاتی مانند سوخت، پول و مهمتر از همه زمان را هدر می دهد. پیدا کردن مکان مناسب برای پارک یکی از دلایل ازدحام ترافیک در بزرگراه¬ها است. این مقاله یک مدل پیش‌بینی اقتصادی مبتنی بر یادگیری عمیق، برای رشد اقتصادی بلندمدت در شهرهای هوشمند پیشنهاد می‌کند. مدیریت ترافیک برای شهرها از این نظر حیاتی است که تضمین می کند که مردم بتوانند آزادانه در سطح شهر حرکت کنند. بسیاری از خودروهایی که برای رسیدن به مناطق شلوغ در شهرهای هوشمند تلاش می کنند، دستیابی به یک پارکینگ عمومی را دشوار می کنند. این موضوع هم برای رانندگان و هم برای ساکنین ناخوشایند است. تعدادی از مسئولین در امر مدیریت ترافیک، یک شبکه عصبی مصنوعی را برای حل این مشکل پیاده‌سازی کرده‌اند و سیستم‌های خودروهای مدرن با راه‌حل‌های پارک هوشمند همراه شده‌اند. نتیجه تجربی مدل پیش‌بینی اقتصادی مبتنی بر یادگیری عمیق، تخمین ترافیک، پیش‌بینی دقت در جریان ترافیک، مدیریت ترافیک و پارکینگ هوشمند را در مقایسه با روش‌های موجود بهبود می‌بخشد تفاصيل المقالة