فهرس المقالات MDH

• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  1 - پیش بینی قیمت سکه طلا در بورس کالای ایران با رویکرد شبکه عصبی GMDH
  عباس معمار نژاد وحید فرمان آرا
  اقتصاد هر کشور از بخش های مختلفی تشکیل شده که روابط بین این بخش ها، سمت و سوی اقتصاد آن کشور را مشخص می کند. در این بین بازار سرمایه در کنار بازار پول، به عنوان اجزائ تشکیل دهنده بازارهای مالی بوده و در واقع شریان های اصلی یک اقتصاد محسوب می گردند، که مسائلی نظیر رشد و أکثر

  اقتصاد هر کشور از بخش های مختلفی تشکیل شده که روابط بین این بخش ها، سمت و سوی اقتصاد آن کشور را مشخص می کند. در این بین بازار سرمایه در کنار بازار پول، به عنوان اجزائ تشکیل دهنده بازارهای مالی بوده و در واقع شریان های اصلی یک اقتصاد محسوب می گردند، که مسائلی نظیر رشد و توسعه اقتصادی منوط به عملکرد آنها در اقتصاد می باشد و چنانچه رابطه منطقی بین بازار مالی با سایر بخشهای اقتصادی وجود نداشته باشد، احتمال بروز اختلالات و نقصان هایی در سازوکار اقتصاد وجود دارد. بازار بورس به عنوان رکن اصلی بازار مالی نقش مهمی را در تسهیل سرمایه گذاری های شکل گرفته در بازار سرمایه ایفا می کند. هدف اصلی این مطالعه همان گونه که عنوان این تحقیق نیز مبین آن است، پیش بینی قیمت سکه طلا می باشد. لذا ضمن مرور اجمالی بر شناخته‌شده‌ترین تئوری‌های اقتصادی، به ارائه روش جدیدتری نسبت به سایر روش‌های متداول پیش بینی در گذشته پرداخته و با استفاده از مدل شبکه عصبی GMDH، اثر متغیرهای کلان اقتصادی (شامل نرخ ارز دلار، قیمت سکه، قیمت طلا به دلار، قیمت نفت به دلار، شاخص قیمت کل سهام، تاریخ روز تحویل سکه) بر قیمت آتی سکه را الگوسازی و پیش‌بینی می‌کنیم. الگوریتم GMDH قابلیت استفاده در موضوعات متنوعی چون کشف روابط، پیش‌بینی، مدل‌سازی سیستم‌ها، بهینه‌سازی وشناخت الگوهای غیرخطی را دارا می‌باشد. ویژگی خاص این الگوریتم استنتاجی، قابلیت شناسایی و غربال‌کردن متغیرهای کم‌اثر ورودی در دوره آموزش شبکه و حذف آنها از روند شبیه‌سازی در دوره آزمون می‌باشد. بدین ترتیب می‌توان با انجام یک فرآیند قیاسی، در چند مرحله تکرار، متغیرهای کم‌اثرتر را حذف نمود و نهایتاً مدل بهینه برای پیش‌بینی را بر اساس معیارهای متداول خطا نظیر RMSE و MAPE و... بدست آورد. بعلاوه، این الگوریتم قادر به شناسایی و رتبه‌بندی تأثیرگذارترین متغیرها نیز می‌باشد. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  2 - 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
  
  3 - The Investigation on Interaction between Two Hepatic Enzymes and some Minerals in Broiler Chickens
  A. Moharrery
  The objectives of this study were to determinethe interactions between two hepatic enzymes and some minerals in the liver of broiler chickens. The study was performed with male and female from 1 to 56 days of age of broiler chickens. Malic acid was added to the water an أکثر

  The objectives of this study were to determinethe interactions between two hepatic enzymes and some minerals in the liver of broiler chickens. The study was performed with male and female from 1 to 56 days of age of broiler chickens. Malic acid was added to the water and offered to chickens freely from the start to the end of the experiment with constant concentration. The treatments consisted on zero (as a control), 0.05, 0.10 and 0.15% of malic acid which dissolved in water and given to them in waterer pan. The chicks were slaughter on 56 days old and liver enzymes including malate dehydrogenase (MDH) and isocitrate dehydrogenase (IDH) were measured on liver extract along with some mineral in dried liver. No significant difference (P>0.05) was observed between treatments for weight gain. Liver MDH activity did not show any significant difference, but IDH activity was increased (P<0.05) by malic acid consumption. Male chicks showed a 28% higher IDH-NADP activity in their liver compared to female chicks (P<0.05). Zinc and iron showed significant correlation with MDH and IDH, respectively. No significant negative correlation (P>0.05) was observed among mineral concentration in the chick liver and selenium concentration in the liver. However, it was found a significant positive correlation with concentration of lead, magnesium, nickel, manganese, mercury and cobalt in the chicken liver (P<0.05). In conclusion, malic acid administration to the water of chickens resulted in a linear accumulation of iron into the liver of them, butthere was not foundother mineral accumulation in this organ. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  4 - کاربرد رهیافت شبکه عصبی در پیش‌بینی قیمت کنجاله سویا در بورس کالای ایران
  علی اکبر باغستانی سعید یزدانی مجید احمدیان
  چکیده وابستگی روزافزون صنعت دام و طیور کشور به کنجاله سویا، موجب شده است تا هرگونه نوسان قیمت این محصول از نگاه فعالان بازار آن به دقت و حساسیت پی گیری شود. این نوسان ها در برخی مقاطع، دغدغه‌ها و نگرانی‌های جدی در خصوص وضعیت تأمین کنجاله سویا و قیمت آن به وجود آورده اس أکثر

  چکیده وابستگی روزافزون صنعت دام و طیور کشور به کنجاله سویا، موجب شده است تا هرگونه نوسان قیمت این محصول از نگاه فعالان بازار آن به دقت و حساسیت پی گیری شود. این نوسان ها در برخی مقاطع، دغدغه‌ها و نگرانی‌های جدی در خصوص وضعیت تأمین کنجاله سویا و قیمت آن به وجود آورده است.به منظور دست‌یابی به پیش‌بینی‌های بهتر در بازار بورس کنجاله سویا، قواعد موجود در آن شناسایی شود. در این مطالعه با استفاده از داده‌های قیمت ماهانه و هفتگی کنجاله سویا در بازار بورس، ضمن بررسی جایگاه کنجاله سویا در معاملات بورس کالا، قیمت کنجاله سویا با رهیافت شبکه عصبی مبتنی بر الگوریتم GMDH[i] پیش‌بینی و نتایج با پیش‌بینی‌های مدل خودرگرسیو میانگین متحرک مقایسه می گردد. نتایج نشان می‌دهد الگوریتم شبکه عصبیGMDH، توانایی و دقت بالاتری در پیش‌بینی قیمت نسبت به روش خودرگرسیو میانگین متحرک داشته است. [i].Group Method of Data Handling(GMDH) تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  5 - پیش‌بینی اثر متغیرهای کلان بر شاخص قیمت سهام با استفاده از شبکه عصبی GMDH
  امید فرمان آرا وحید فرمان آرا
  اقتصاد هر کشور از بخش¬های مختلفی تشکیل شده که روابط بین این بخش¬ها، سمت و سوی اقتصاد آن کشور را مشخص می¬کند. در این میان بازار سرمایه در کنار بازار پول، به عنوان اجزای تشکیل¬دهنده بازارهای مالی بوده و در واقع، شریان¬های اصلی یک اقتصاد محسوب می¬شو أکثر

  اقتصاد هر کشور از بخش¬های مختلفی تشکیل شده که روابط بین این بخش¬ها، سمت و سوی اقتصاد آن کشور را مشخص می¬کند. در این میان بازار سرمایه در کنار بازار پول، به عنوان اجزای تشکیل¬دهنده بازارهای مالی بوده و در واقع، شریان¬های اصلی یک اقتصاد محسوب می¬شوند، که مسائلی نظیر رشد و توسعه اقتصادی منوط به عملکرد آنها در اقتصاد است و چنانچه رابطه منطقی بین بازار مالی با بخش های دیگر اقتصادی وجود نداشته باشد، احتمال بروز اختلالات و نقصان¬هایی در ساز و کار اقتصاد وجود دارد. بازار بورس به عنوان رکن اصلی بازار مالی نقش مهمی را در تسهیل سرمایه¬گذاری¬های شکل گرفته در بازار سرمایه ایفا می¬کند. هدف اصلی این پژوهش پیش¬بینی شاخص قیمت سهام بورس تهران است. بدین روی، ضمن مرور اجمالی بر شناخته‌شده‌ترین نظریه های اقتصادی، به ارائه روش جدیدتری نسبت به روش های دیگر رایج پیش بینی در گذشته پرداخته و با استفاده از مدل شبکه¬ عصبی GMDH، اثر متغیرهای کلان اقتصادی (شامل نرخ ارز، نرخ تورم و تولید ناخالص داخلی) بر شاخص قیمت سهام بورس اوراق بهادار تهران را الگوسازی و پیش‌بینی میکنیم. الگوریتم GMDH قابلیت استفاده در موضوع های متنوعی مانند کشف روابط، پیش‌بینی، مدل‌سازی سیستم‌ها، بهینه‌سازی و شناخت الگوهای غیرخطی را دارد. ویژگی خاص این الگوریتم استنتاجی، قابلیت شناسایی و غربال‌کردن متغیرهای کم‌اثر ورودی در دوره آموزش شبکه و حذف آنها از روند شبیه‌سازی در دوره آزمون است. بدین ترتیب، می‌توان با انجام یک فرآیند قیاسی، در چند مرحله تکرار، متغیرهای کم‌اثرتر را حذف نمود و در نهایت، مدل بهینه برای پیش‌بینی را بر اساس معیارهای رایج خطا نظیر RMSE و MAPE به دست آورد. افزون براین، این الگوریتم قادر به شناسایی و رتبه‌بندی تأثیرگذارترین متغیرها نیز می‌باشد. نتایج به دست آمده حاکی از دقت بسیار بالا و قابلیت فوق العاده الگوریتم GMDH در پیش بینی شاخص قیمت سهام بورس تهران است، به طوری که خطای حاصل از پیش بینی شاخص قیمت سهام بورس تهران برای داده-های سالانه 0.37درصد، ماهانه 0.35درصد و برای فصلی 2.04درصد است. همچنین، نتایج نشان می دهد که در بهترین مدل غیرخطی پیش بینی شاخص قیمت سهام با استفاده از مدل شبکه عصبی GMDH متغیرهای نرخ ارز، نرخ تورم و تولید ناخالص داخلی همگی جزء متغیرهای مؤثر بوده و هیچکدام از مدل حذف نشدند تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  6 - 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
  
  7 - 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
  
  8 - Identification of Crack Location and Depth in a Structure by GMDH- type Neural Networks and ANFIS
  منصور درویزه نادر نریمانزاده علی ملیحی دیزگاه مهدی جوادزاده رضا انصاری
  The Existence of crack in a structure leads to local flexibility and changes the stiffness and dynamic behavior of the structure. The dynamic behavior of the cracked structure depends on the depth and the location of the crack. Hence, the changes in the dynamic behavior أکثر

  The Existence of crack in a structure leads to local flexibility and changes the stiffness and dynamic behavior of the structure. The dynamic behavior of the cracked structure depends on the depth and the location of the crack. Hence, the changes in the dynamic behavior in the structure due to the crack can be used for identifying the location and depth of the crack. In this study the first three natural eigenfrequencies of a cantilever beam having a transverse open crack have been computed for 10 different depths and 30 different locations by the finite element method. These natural eigenfrequencies have been used as input data for GMDH-type neural networks and adaptive neuro-fuzzy inference system, ANFIS, for crack location and depth modeling. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  9 - ارائه مدل پیش‌بینی ورشکستگی شرکت های بورس اوراق بهادار تهران مبتنی بر مدل ترکیبی شبکه عصبی گروهی دستکاری داده ها و الگوریتم ژنتیک
  حسین وظیفه دوست طیبه زنگنه
  هدف تحقیق حاضر ارائه مدلی کارا و توانمند جهت پیش بینی ورشکستگی شرکت های تولیدی بورس اوراق بهادار تهران با استفاده از یک مدل جدید ترکیبی الگوریتم ژنتیک- شبکه گروهی دستکاری داده ها (GA-GMDH)، می باشد. هم چنین، با استفاده از تعدادی از پر کاربرد ترین روش های انتخاب متغیر در أکثر

  هدف تحقیق حاضر ارائه مدلی کارا و توانمند جهت پیش بینی ورشکستگی شرکت های تولیدی بورس اوراق بهادار تهران با استفاده از یک مدل جدید ترکیبی الگوریتم ژنتیک- شبکه گروهی دستکاری داده ها (GA-GMDH)، می باشد. هم چنین، با استفاده از تعدادی از پر کاربرد ترین روش های انتخاب متغیر در ادبیات پیش بینی ورشکستگی، مطالعه جامعی در جهت شناسائی بهترین متغیر های پیش بینی کننده ورشکستگی شرکت های بورس اوراق بهادار تهران صورت گرفته است. به منظور ساخت مدل‌های پیش بینی در ابتدا با استفاده از چهار روش انتخاب متغیر 1-آزمون T نمونه های مستقل (T-test)، 2- ماتریس همبستگی(CM) ، 3- تحلیل تشخیصی گام به گام (SDA) و 4- تحلیل مولفه های اصلی (PCA)، نسبت های مالی نهایی از بین 19 نسبت مالی متناسب با بازار سرمایه کشور، انتخاب شده است. با استفاده از نسبت‌های مالی انتخاب شده و مدل ترکیبی GA-GMDH، شبکه عصبی- فازی تطبیق‌پذیر ANFIS)) و رگرسیون لجستیک(LR)، 12 مدل جهت پیش بینی ورشکستگی استخراج شد و نتایج حاصل از آن ها مورد مقایسه قرار گرفت. نتایج حاصل از تحقیق، نشان دهنده قابلیت بالای مدل پیشنهادی GA-GMDH در مدل‌سازی پیش‌بینی ورشکستگی و برتری آن بر روش های ANFIS وLR می‌باشد. همچنین، نتایج تحقیق نشان می دهد که روش ماتریس همبستگی در مقایسه با سایر روش‌های انتخاب متغیر، توانایی بیشتری در انتخاب متغیرهای موثر بر پیش‌بینی ورشکستگی شرکت‌ها دارد. بنابراین، مدل CM-GA-GMDH به عنوان بهترین مدل پیش بینی کننده ورشکستگی شرکت‌های بورس اوراق بهادار تهران شناخته می شود. تفاصيل المقالة