Artificial Neural Network

دسترسی آزاد مقاله

1 - یک روش جدید بر روی تجزیه بافت برای طبقه بندی تشخیص خودکار میکروکلسیفیکیشن سینه تصاویر ماموگرافی
زهرا مقصودزاده سروستانی جاسم جمالی مهدی تقی زاده محمد حسین فاتحی

برنامه های غربالگری از ماموگرافی به عنوان ابزار تشخیصی اولیه برای شناسایی زودهنگام سرطان پستان استفاده می کنند. هدف از انجام اين کار، امكان سنجي جداسازي اتوماتيك تصاوير میکروکلسیفیکیشن هاي بافت پستان و همچنين ارزيابي دقت آن با استفاده از به كارگيري دو تكنيك بهبود تصویر چکیده کامل

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. پرونده مقاله

دسترسی آزاد مقاله

2 - پیش بینی قیمت سهام با استفاده از روش داده کاوی
مجتبی حاجی غلامی

این مقاله به بررسی روش‌های داده کاوی برای پیش‌بینی بازار های مالی و تحلیل توسعه پایدار موضوعات مالی و پیش‌بینی روند با استفاده از داده کاوی می‌پردازد. این مقاله همچنین به بررسی تأثیر استفاده از روش‌های داده کاوی در بازار سهام و کارایی آن در این زمینه می‌پردازد. در این ت چکیده کامل

این مقاله به بررسی روش‌های داده کاوی برای پیش‌بینی بازار های مالی و تحلیل توسعه پایدار موضوعات مالی و پیش‌بینی روند با استفاده از داده کاوی می‌پردازد. این مقاله همچنین به بررسی تأثیر استفاده از روش‌های داده کاوی در بازار سهام و کارایی آن در این زمینه می‌پردازد. در این تحقیق یک رویکرد یادگیری ماشینی معرفی میشود که اطلاعات را با استفاده از داده های موجودی عمومی میسازد و از آن اطلاعات برای پیشبینی دقیق استفاده میکند. همچنین به بررسی گونه‌های متنوعی از روش‌های داده کاوی می‌پردازد که در حوزه تجزیه و تحلیل بازارهای مالی کاربرد دارند و به طور ویژه تمرکز خود را بر پیش‌بینی روندهای بازار سهام معطوف می‌دارد. مطالعه ما نشان می‌دهد که از آنجایی که بازارهای مالی پویا و متغیر هستند و همواره تحت تأثیر عوامل اقتصادی، سیاسی و اجتماعی قرار دارند، استفاده از روش‌های یادگیری ماشینی و داده کاوی می‌تواند در پیش‌بینی دقیق‌تر حرکات قیمتی سهام مؤثر واقع شود. با توجه به داده‌های گسترده و پیچیده موجود در بازارهای مالی، روش‌های داده کاوی می‌توانند پتانسیل فراوانی در کشف الگوهای پنهان و تعیین ارتباط میان متغیرهای مختلف داشته باشند. در این راستا، الگوریتم‌های مختلف یادگیری ماشینی مانند شبکه‌های عصبی مصنوعی، ماشین‌های بردار پشتیبان و جنگل‌های تصادفی به عنوان مثال مورد استفاده قرار گرفته و در کنار آنالیزهای آماری، به بهبود قابلیت‌های تحلیل‌گران و سرمایه‌گذاران در تصمیم‌گیری‌های اقتصادی کمک می‌کنند. استفاده از داده‌های بزرگ و تحلیل‌های پیچیده همچنین به توسعه استراتژی‌های معاملاتی هوشمندانه که می‌توانند به بهینه‌سازی بازگشت سرمایه کمک کنند، کمک نموده است. برای نمونه، تحلیلگران می‌توانند با ادغام داده‌های احساسی حاصل از شبکه‌های اجتماعی در مدل‌های پیش‌بینی خود، دقت تخمین‌های خود را ارتقا بدهند. این مطالعه تأکید دارد که توسعه پایدار در بازارهای مالی نیازمند تحلیلی دقیق‌تری از داده‌ها است که در نهایت منجر به تصمیم‌گیری‌های مبتنی بر داده و فرآیندهای معاملاتی قوی تر می‌شود. پرونده مقاله

دسترسی آزاد مقاله

3 - ارائه مدلی از نقش تمایزات فردی برپیش بینی تبلیغات چریکی با استفاده از شبکه عصبی پرسپترون
تارا طائفی وحیدرضا میرابی قاسمعلی بازایی سهیل سرمد سعیدی

تبلیغات چریکی بر خلاف الگوهای تعریف شده ، با استفاده از ایده های ساده و انعطاف پذیر در تلاش است تا با جذب مخاطبان در دل آن ها نفوذ کند و با صرف کمترین هزینه در آینده سودآوری را ایجاد نماید. بخشی از این فرایند با توجه به شخصیت درونی فرد شکل می گیرد و بررسی تمایزات فردی م چکیده کامل

تبلیغات چریکی بر خلاف الگوهای تعریف شده ، با استفاده از ایده های ساده و انعطاف پذیر در تلاش است تا با جذب مخاطبان در دل آن ها نفوذ کند و با صرف کمترین هزینه در آینده سودآوری را ایجاد نماید. بخشی از این فرایند با توجه به شخصیت درونی فرد شکل می گیرد و بررسی تمایزات فردی مخاطبین و مشتریان اهمیت می یابد . هدف پژوهش، ارائه مدلی از نقش تمایزات فردی برپیش بینی تبلیغات چریکی می باشد. با توجه به هدف ، روش پژوهش از نظرهدف اکتشافی و روش آن توصیفی_ پیمایشی می باشد. نگرش و شخصیت شناسی به ترتیب با شاخص های(انگیزه های روانی و بعد فنی برای نگرش ) و (آزمون استاندار شخصیت شناسی مایزر و بریگز برای شخصیت شناسی) شناسایی شد. جامعه آماری مشتریان شرکت کسب و کار ورزشی (گو اسپرت )می باشد . روش نمونه گیری طبقاتی وطبق فرمول کوکران 277 نفردر نظر گرفته شد. داده های اولیه در 2 پرسشنامه شامل پرسشنامه استاندار مایرز-بریگز 70 سئوال بسته و تخصصی و دیگری محقق ساخته شامل 25 سئوال بسته و تخصصی گردآوری شده است ، که به کمک روش شبکه عصبی مصنوعی پرسپترون الگو، با برازش 92% با 2 نرون پنهان و 4 نرون خروجی مبنی بر 4 استراتژی تعریف شده برای پیش بینی تبلیغات چریکی مناسب با استفاده از متغیر نگرش و شخصیت طراحی شد. پرونده مقاله

دسترسی آزاد مقاله

4 - Developing A Fault Diagnosis Approach Based On Artificial Neural Network And Self Organization Map For Occurred ADSL Faults
Vahid Golmah Mina Tashakori

Telecommunication companies have received a great deal of research attention, which have many advantages such as low cost, higher qualification, simple installation and maintenance, and high reliability. However, the using of technical maintenance approaches in Telecomm چکیده کامل

Telecommunication companies have received a great deal of research attention, which have many advantages such as low cost, higher qualification, simple installation and maintenance, and high reliability. However, the using of technical maintenance approaches in Telecommunication companies could improve system reliability and users' satisfaction from Asymmetric digital subscriber line (ADSL) services. In ADSL systems, there are many variables giving some noise for classification and there are many fault patterns with overlapping data. Therefore, this paper proposes a multilayer perceptron (MLP) classifier integrated with Self Organization Map (SOM) models for fault detection and diagnosis (FDD) of occurred ADSL systems. The interest of this paper is to improve the performance of single MLP by dividing the fault pattern space into a few smaller sub-spaces using SOM clustering technique and triggering the right local classifier by designing a supervisor agent. The performances of this method are evaluated on the fault data of Iranian Telecommunication Company which develop ADSL services and then the proposed algorithm is also compared against single MLP. Finally, the results obtained by this algorithm are analyzed to increase user's satisfaction with reducing occurred faults for them with predicting before they face it. پرونده مقاله

دسترسی آزاد مقاله

5 - حل معادلات انتگرال ولترای تصادفی به روش شبکه عصبی مصنوعی فازی
هادی ابطحی حمیدرضا رحیمی مریم مصلح

معادلات انتگرال ولترا به عنوان خروجی مسائل مطرح شده در علوم پایه و مهندسی کاربر ویژه در پیشبرد حل مسائل پیچیده دارند. یکی از انواع پرکاربرد که متشکل از یک فرایند تصادفی تحت حرکت برونی ایجاد می‌شود، معادلات انتگرال ولترا تصادفی است. حل این نوع از معادلات همواره از چالش‌ه چکیده کامل

معادلات انتگرال ولترا به عنوان خروجی مسائل مطرح شده در علوم پایه و مهندسی کاربر ویژه در پیشبرد حل مسائل پیچیده دارند. یکی از انواع پرکاربرد که متشکل از یک فرایند تصادفی تحت حرکت برونی ایجاد می‌شود، معادلات انتگرال ولترا تصادفی است. حل این نوع از معادلات همواره از چالش‌های محقیقن بوده است. از سوی دیگر با توسعه هوش مصنوعی و ارائه روش شبکه عصبی مصنوعی فازی به عنوان یک مدل الهام گرفته از فرایند تفکر و تجزیه و تحلیل در مغز انسان، مدل‌های پیشرفته ای از الگوریتم‌های طراحی شده است. برخی از این این الگوریتم‌های یادگیری در شبکه عصبی مصنوعی فازی در حل معادلات اسفاده شده است . در این مقاله با استفاده از این روش و طراحی یک الگوریتم یادگیری به حل معادلات انتگرال از نوع ولترای تصادفی می‌پردازیم. روش ارائه شده در این مقاله علاوه بر داشتن دقت بالاتر نسبت به روش‌های پیشین، سرعت بیشتری در حل مسئله را دارا است. این موضوع سبب ایجاد یک سطح اطمینان قابل قبول برای محققان در زمان برخورد با این نوع مسائل می‌شود. پرونده مقاله

دسترسی آزاد مقاله

6 - Measurement of Bitcoin Daily and Monthly Price Prediction Error Using Grey Model, Back Propagation Artificial Neural Network and Integrated model of Grey Neural Network
Mahdi Madanchi Zaj Mohammad Ebrahim Samavi Emad Koosha

10.22034/amfa.2020.1881110.1315

One of the recent financial technologies is Block chain-based currency known as Cryptocurrency that these days because of their unique features has become quite popular. The first known Cryptocurrency in the world is Bitcoin, and since the cryptocurrencies market is a c چکیده کامل

One of the recent financial technologies is Block chain-based currency known as Cryptocurrency that these days because of their unique features has become quite popular. The first known Cryptocurrency in the world is Bitcoin, and since the cryptocurrencies market is a contemporary one, Bitcoin is currently considered as the pioneer of this market. Since the value of the previous Bitcoin prices data have a non-linear behaviour, this study aims at predicting Bitcoin price using Grey model, Back Propagation Artificial Neural Network and Integrated Model of Grey Neural Network. Then, the prediction’s accuracy of these methods will be measured using MAPE and RMSE indices and also Bitcoin price data for a five-year period (2014-2018). The results had indicated that wen estimating Bitcoin daily prices, Back Propagation Artificial Neural Network model has the lowest absolute error rate (5.6%) compared to the Grey model and the integrated model. Additionally, for the monthly prediction of Bitcoin price, the integrated model, with the lowest absolute error rate (9%), has a better performance than the two other models. پرونده مقاله

دسترسی آزاد مقاله

7 - Option pricing with artificial neural network in a time dependent market
Mehran Araghi Elham Dastranj Abdolmajid Abdolbaghi Ataabadi Hossein Sahebi Fard

In this article, the pricing of option contracts is discussed using the Mikhailov and Nogel model and the artificial neural network method. The purpose of this research is to investigate and compare the performance of various types of activator functions available in ar چکیده کامل

In this article, the pricing of option contracts is discussed using the Mikhailov and Nogel model and the artificial neural network method. The purpose of this research is to investigate and compare the performance of various types of activator functions available in artificial neural networks for the pricing of option contracts. The Mikhailov and Nogel model is the same model that is dependent on time. In the design of the artificial neural network required for this research, the parameters of the Mikhailov and Nogel model have been used as network inputs, as well as 700 data from the daily price of stock options available in the Tehran Stock Exchange market (in 2021) as the net-work output. The first 600 data are considered for learning and the remaining data for comparison and conclusion. At first, the pricing is done with 4 commonly used activator functions, and then the results of each are com-pared with the real prices of the Tehran Stock Exchange to determine which item provides a more accurate forecast. The results obtained from this re-search show that among the activator functions available in this research, the ReLU activator function performs better than other activator functions. پرونده مقاله

دسترسی آزاد مقاله

8 - Financial Reporting Readability: A new Artificial Neural Network and Multi-Indicator Decision Making Approach
Ali Asghar Khazaei Harivand Arash Naderian Majid Ashrafi Ali Khozin

The desirability of the financial reporting can greatly help the users of finan-cial information in making investment decisions. The purpose of this re-search is to measure the readability of financial reporting using a multi-indicator decision-making model and the arti چکیده کامل

The desirability of the financial reporting can greatly help the users of finan-cial information in making investment decisions. The purpose of this re-search is to measure the readability of financial reporting using a multi-indicator decision-making model and the artificial neural network method and the role of information presentation time in its improvement. In this research, various indicators have been used to measure the readability of financial reporting, and the quality of reporting is obtained through the rank-ing of companies by the stock exchange. In this research, the number of 149 companies admitted to the Tehran Stock Exchange in the period of 2010-2020 was examined, and to measure the financial readability through struc-tural equations and Stata software, and to test the hypothesis of the research, the regression model and Eviews econometrics software were used. In this study, we have tried to Use machine learning techniques and optimization tools as a way to derive adaptive-robust nonlinear models that can reduce the risk of model error as much as possible. The findings of the research show that the time of providing information has an impact on the readability of financial reporting. The obtained outputs from the estimation of the artificial neural networks and results obtained from estimation, using of this method with evaluation scales concerning random amount and comparing it with adjusted R, we found that there is meaningful relation between the associated variables and return. However, such network has the least error than other networks. The results show an overall improvement in forecasting using the neural network as compared to linear regression method. In other words, our proposed system displays an extremely higher profitability potential. The obtained result can be argued that the more the company's information is provided by the managers to the company's shareholders and investors on time and at the right time, the more readable and understandable the financial reports will be. پرونده مقاله

دسترسی آزاد مقاله

9 - Improving the Performance of Forecasting Models with Classical Statistical and Intelligent Models in Industrial Productions
Maryam Bahrami Mehdi Khashei Atefeh Amindoust

The capability to receive and deliver customer demand on time in today's competitive world is a significant concern for all industries. In particular, demand management has entered a new era with many companies competing in the last decade. Customer demand management is چکیده کامل

The capability to receive and deliver customer demand on time in today's competitive world is a significant concern for all industries. In particular, demand management has entered a new era with many companies competing in the last decade. Customer demand management is one of the contemporary issues. The main goal of demand management is to improve supply chain effectiveness, and it is important to note that it is complementary to distribution management and product demand management. Therefore, demand forecasting is essential. For this purpose, in this study, the modeling of the combination structure using autoregressive integrated moving average models and multilayer perceptron neural networks in the field of demand with benchmark data is investigated. The data sets used in this study are two well-known benchmarks of the total product revenue of the Taiwan machinery industry and the sales volume of soft drinks. Eviews and Matlab software have been used to determine the unknown parameters of the proposed model. The experimental results of the research show that the performance of the proposed hybrid model is more accurate than its single components. In addition, results indicate that intelligent models can perform better than classic statistical models. پرونده مقاله

دسترسی آزاد مقاله

10 - پیش‌بینی پارامترهای چسبندگی الیاف فولادی هوک شکل و بتن با استفاده از شبکه‌های عصبی مصنوعی
امیر ابراهیم اکبری بقال امیر ابراهیم اکبری بقال

با توجه به اهمیت بکارگیری الیاف فولادی در تقویت بتن، در تحقیق حاضر با استفاده از شبکه‌های عصبی مصنوعی به پیش‌بینی رفتار بیرون کشیدگی الیاف فولادی هوک شکل از بتن پرداخته شده است. به دلیل محدودیت داده‌های جامع آزمایشگاهی، از داده‌های به دست آمده از تحلیل المان محدود به عن چکیده کامل

با توجه به اهمیت بکارگیری الیاف فولادی در تقویت بتن، در تحقیق حاضر با استفاده از شبکه‌های عصبی مصنوعی به پیش‌بینی رفتار بیرون کشیدگی الیاف فولادی هوک شکل از بتن پرداخته شده است. به دلیل محدودیت داده‌های جامع آزمایشگاهی، از داده‌های به دست آمده از تحلیل المان محدود به عنوان ورودی شبکه عصبی استفاده شده است. به منظور شبیه‌سازی‌ بیرون کشیدگی الیاف از روش المان محدود سه‌بعدی و نرم‌افزار آباکوس استفاده می‌شود. در مدل المان محدود، اندرکنش بین الیاف و بتن با استفاده از مفهوم ناحیه انتقالی سطح مشترک شبیه‌سازی شده است که پارامترهای آن با استفاده از روش المان محدود معکوس و استفاده از نتایج تست تجربی بیرون‌کشیدگی انجام پذیرفته بر روی یک نمونه الیاف به دست آمده است. پس از صحت‌سنجی نتایج مدل عددی با نتایج تجربی، نتایج به ازای پارامترهای مؤثر الیاف استخراج شده و بر اساس آنها مدل‌سازی با استفاده از شبکه‌های عصبی صورت گرفته است. پیش‌بینی نیروی بیرون‌کشیدگی توسط شبکه‌های عصبی مصنوعی چندلایه و الگوریتم آموزش انتشار به عقب، با تکنیک بهینه‌سازی مارکورادت-لونبرگ انجام شده است. نتایج نشان می‌دهد که مدل شبکه عصبی ارائه شده در این تحقیق، به دلیل توانای استفاده از متغیرهای بیشتر در مدل‌سازی و نتایج دقیق‌تر، روشی مؤثر برای پیش‌بینی نیروی بیرون‌کشیدگی الیاف از بتن است. پرونده مقاله

دسترسی آزاد مقاله

11 - An integrated data envelopment analysis–artificial neural network approach for benchmarking of bank branches
Elsa Shokrollahpour Farhad Hosseinzadeh Lotfi Mostafa Zandieh

Efficiency and quality of services are crucial to today’s banking industries. The competition in this section has become increasingly intense, as a result of fast improvements in Technology. Therefore, performance analysis of the banking sectors attracts more atte چکیده کامل

Efficiency and quality of services are crucial to today’s banking industries. The competition in this section has become increasingly intense, as a result of fast improvements in Technology. Therefore, performance analysis of the banking sectors attracts more attention these days. Even though data envelopment analysis (DEA) is a pioneer approach in the literature as of an efficiency measurement tool and finding benchmarks, it is on the other hand unable to demonstrate the possible future benchmarks. The drawback to it could be that the benchmarks it provides us with, may still be less efficient compared to the more advanced future benchmarks. To cover for this weakness, artificial neural network is integrated with DEA in this paper to calculate the relative efficiency and more reliable benchmarks of one of the Iranian commercial bank branches. Therefore, each branch could have a strategy to improve the efficiency and eliminate the cause of inefficiencies based on a 5-year time forecast. پرونده مقاله

دسترسی آزاد مقاله

12 - Modeling and forecasting US presidential election using learning algorithms
Mohammad Zolghadr Seyed Armin Akhavan Niaki S. T. A. Niaki

The primary objective of this research is to obtain an accurate forecasting model for the US presidential election. To identify a reliable model, artificial neural networks (ANN) and support vector regression (SVR) models are compared based on some specified performance چکیده کامل

The primary objective of this research is to obtain an accurate forecasting model for the US presidential election. To identify a reliable model, artificial neural networks (ANN) and support vector regression (SVR) models are compared based on some specified performance measures. Moreover, six independent variables such as GDP, unemployment rate, the president’s approval rate, and others are considered in a stepwise regression to identify significant variables. The president’s approval rate is identified as the most significant variable, based on which eight other variables are identified and considered in the model development. Preprocessing methods are applied to prepare the data for the learning algorithms. The proposed procedure significantly increases the accuracy of the model by 50%. The learning algorithms (ANN and SVR) proved to be superior to linear regression based on each method’s calculated performance measures. The SVR model is identified as the most accurate model among the other models as this model successfully predicted the outcome of the election in the last three elections (2004, 2008, and 2012). The proposed approach significantly increases the accuracy of the forecast. پرونده مقاله

دسترسی آزاد مقاله

13 - کاربرد الگوریتم های فراابتکاری در پیش بینی درماندگی مالی با استفاده از متغیرهای مالی و غیرمالی درون شرکتی و اقتصادی (الگوریتم های بهینه سازی مـلخ و کلونی مورچگان)
فریدون مرادی احمد یعقوب نژاد آزیتا جهانشاد

10.30495/fed.2023.1962198.2734

هدف این پژوهش ارزیابی توانمندی الگوریتم فراابتکاری بهینه‌سازی ملخ (GOA) در پیش‌بینی دقیق‌تر درماندگی مالی با استفاده از متغیرهای درون‌شرکتی (مالی و غیرمالی) و اقتصادی می‌باشد. روش این پژوهش بهبود عملکرد مدل پایه شبکه عصبی مصنوعی پرسپترون چندلایه (ANN-MLP) از طریق ایجاد چکیده کامل

هدف این پژوهش ارزیابی توانمندی الگوریتم فراابتکاری بهینه‌سازی ملخ (GOA) در پیش‌بینی دقیق‌تر درماندگی مالی با استفاده از متغیرهای درون‌شرکتی (مالی و غیرمالی) و اقتصادی می‌باشد. روش این پژوهش بهبود عملکرد مدل پایه شبکه عصبی مصنوعی پرسپترون چندلایه (ANN-MLP) از طریق ایجاد مدل ترکیبی مبتنی بر الگوریتم ملخ (MLP-GOA) و مقایسه توانمندی آن با عملکرد مدل ترکیبی مبتنی بر الگوریتم کلونی مورچگان (MLP-ACO) می‌باشد. جامعه آماری پژوهش شرکت‌های فعال در بازار بورس اوراق بهادار تهران طی یک دوره 7 ساله (از 1391 تا 1397) شامل 476 شرکت بوده که در نهایت با حذف سیستماتیک، 289 شرکت حایز شرایط (شامل 2023 مشاهده سال- شرکت) مورد بررسی و غربالگری قرار گرفته است. آزمون فرضیه‌ها برمبنای معیارهای ارزیابی ماتریس اغتشاش و منحنی ROC انجام شد. یافته‌ها توانمندی مدل پایه ANN-MLP در پیش‌بینی درماندگی مالی با استفاده از متغیرهای مالی و غیرمالی را اثبات نمود و علاوه بر آن، الگوریتم-های فراابتکاری از طریق مدل‌های MLP-GOA و MLP-ACO عملکرد مدل پایه شبکه عصبی را بهبود دادند. دقت مــدل MLP-GOA برای سال وقوع درماندگی تا دو سال قبل از آن به ترتیب 3/97%، 5/94% و 3/91% بوده است که از دقت مدل پایه و مدل MLP-ACO نیز بیشتر بوده است. همچنین نتایج نشان داد که با ورود متغیرهای اقتصادی، اگر چه توانمندی کلیه مدل‌های پایه و ترکیبی به نحو معنی‌داری افزایش یافته است، لیکن درماندگی مالی بیشتر متاثر از متغیرهای درون‌شرکتی بوده و در واقع اثر متغیرهای اقتصادی بر این رخداد، قبلاً از طریق اثر بر رویدادهای مالی ثبت شده در سیستم حسابداری، لحاظ شده است. پرونده مقاله

دسترسی آزاد مقاله

14 - Microgrid Planning Including Renewables Considering Optimum Compressed Air Energy Storage Capacity Determination Using HANN-MDA Method
Seyedamin Saeed Tahere Daemi Zohreh Beheshtipour

Microgrids, with their ability to integrate renewable energy sources, play a crucial role in achieving sustainable and resilient energy systems. Effective planning and optimization of microgrids, particularly considering the inclusion of compressed air energy storage (C چکیده کامل

Microgrids, with their ability to integrate renewable energy sources, play a crucial role in achieving sustainable and resilient energy systems. Effective planning and optimization of microgrids, particularly considering the inclusion of compressed air energy storage (CAES) systems, are essential for maximizing their benefits. This study proposes a novel approach, the Hybrid Artificial Neural Network-Modified Dragonfly Algorithm (HANN-MDA), for determining the optimum capacity of CAES in microgrid planning. The HANN-MDA method combines the learning capabilities of artificial neural networks with the optimization power of the modified dragonfly algorithm. The proposed method aims to minimize the overall cost of microgrid operation while considering the integration of renewable energy sources and the storage capabilities of CAES. Simulation results demonstrate the effectiveness of the HANN-MDA method in accurately determining the optimal CAES capacity, leading to improved microgrid performance and cost savings. The findings highlight the importance of considering CAES in microgrid planning and the potential of the HANN-MDA method for achieving efficient and economically viable microgrid designs. پرونده مقاله

دسترسی آزاد مقاله

15 - طراحی الگوی غیرخطی سرایت‌پذیری شاخص کل بورس اوراق بهادار تهران از بازار دارایی‌های فیزیکی (کاربردی از مدل شبکه عصبی مصنوعی NARX)
مهدی شبان حبیب اله نخعی قدرت الله طالب نیا نازنین بشیری منش

پژوهش حاضر به بررسی سرایت‌پذیری شاخص کل بورس اوراق بهادار تهران از قیمت دارایی‌های موازی با بکارگیری شبکه‌ عصبی مصنوعی پویا می‌پردازد. برای انجام محاسبات، سری‌زمانی قیمت سکه تمام بهار آزادی(نماینده بازار‌ طلا)، قیمت هر متر مربع ساختمان مسکونی(نماینده بازار مسکن)، قیمت ه چکیده کامل

پژوهش حاضر به بررسی سرایت‌پذیری شاخص کل بورس اوراق بهادار تهران از قیمت دارایی‌های موازی با بکارگیری شبکه‌ عصبی مصنوعی پویا می‌پردازد. برای انجام محاسبات، سری‌زمانی قیمت سکه تمام بهار آزادی(نماینده بازار‌ طلا)، قیمت هر متر مربع ساختمان مسکونی(نماینده بازار مسکن)، قیمت هر بشکه نفت خام ایران و نرخ دلار آمریکا در برابر ریال و نوسانات شرطی آن‌ها به عنوان متغیرهای ورودی و شاخص کل بورس اوراق بهادار تهران و نوسان شرطی آن به عنوان متغیر هدف از سال 1387 تا 1397با تواتر روزانه مورد بررسی قرار می‌گیرد. شبکه عصبی غیرخطی پویا با چهار متغیر ورودی و یک متغیر هدف با لایه‌ها و نرون‌های مختلف با معیار میانگین مجذور خطا و ضریب تعیین مورد ارزیابی قرار گرفته و مدل‌ها با دو لایه به ترتیب با 20 نرون و 10 نرون دارای حداقل میانگین مجذور خطا می‌باشند. نتایج پژوهش نشان می‌دهد بورس اوراق بهادار تهران حداکثر با دو وقفه زمانی از بازارهای رقیب سرایت‌پذیری داشته که نشان‌دهنده‌ی کارایی ضعیف بازار اوراق بهادار تهران می‌باشد. نتایج نشان می‌دهند شبکه‌‌های عصبی پیشنهادی قدرت بالایی در پیش‌بینی شاخص‌کل بورس اوراق بهادار تهران و نوسانات آن از سال 1387 تا 1397 به عنوان پیش‌بینی درون نمونه‌ای و سال 1398 به عنوان پیش‌بینی برون نمونه‌ای دارند. پرونده مقاله

دسترسی آزاد مقاله

16 - بهینه‌سازی پارامترهای اندیکاتورهای تحلیل تکنیکال برای داده‌های درون‌روزی با استفاده از الگوریتم الهام‌گرفته از پدیده‌های نوری: مطالعه موردی بورس تهران
محمد علی رستگار فرح آشوری

در این پژوهش یک سیستم معاملاتی سهام مبتنی بر ترکیب شش اندیکاتور تکنیکال طراحی شده‌است. برای ترکیب این اندیکاتورها از شبکه عصبی مصنوعی استفاده شده‌‌ و بهینه‌سازی پارامترهای این اندیکاتورها با الگوریتم فراابتکاری الهام‌گرفته از پدیده‌های نوری (اپتیک) مبتنی بر ترکیب محدب ا چکیده کامل

در این پژوهش یک سیستم معاملاتی سهام مبتنی بر ترکیب شش اندیکاتور تکنیکال طراحی شده‌است. برای ترکیب این اندیکاتورها از شبکه عصبی مصنوعی استفاده شده‌‌ و بهینه‌سازی پارامترهای این اندیکاتورها با الگوریتم فراابتکاری الهام‌گرفته از پدیده‌های نوری (اپتیک) مبتنی بر ترکیب محدب انجام شده‌است. در مدل ارائه‌شده با هدف بیشینه‌سازی نسبت شارپ اصلاح‌شده، پارامترهای بهینه اندیکاتورهای تکنیکال با الگوریتم‌های اپتیک و ژنتیک به دست آمده‌است. در این پژوهش از داده‌های درون‌روزی قیمت سهام استفاده شده و هزینه‌های معاملاتی لحاظ شده‌است. نتایج این مدل با نتایج حاصل از به‌کار‌گیری پارامترهای استاندارد اندیکاتورها، نتایج حاصل از راهبرد خرید‌و‌نگه‌داری و نیز نتایج حاصل از به‌کار‌گیری الگوریتم ژنتیک برای بهینه‌سازی پارامتر اندیکاتورها، در هر دو حالت روزانه و درون‌روزی مقایسه شده و به دلیل کسب نسبت شارپ اصلاح‌شده بیشتر توسط مدل ارائه‌شده، در همه موارد برتری آن نشان داده‌شده‌است. همچنین در مقایسه نتایج در حالت‌های درون‌روزی و روزانه بر‌اساس معیار بازدهی پایان دوره بدون لحاظ هزینه‌های معاملاتی، در بیشتر موارد داده‌های درون‌روزی بازدهی بیشتری داشت لکن پس از لحاظ کردن هزینه‌های معاملاتی برتری در نتایج درون‌روزی مشاهده نمی‌شود. لذا کاهش هزینه معاملاتی برای افزایش انگیزه معامله‌گران در انجام معاملات درون‌روزی توصیه می‌شود. پرونده مقاله

دسترسی آزاد مقاله

17 - مدلسازی پیش بینی نرخ ارز در ایران با استفاده از شبکه عصبی مبتنی بر الگوریتم ژنتیک و الگوریتم ذرات انبوه
علی جمالی سعید دائی کریم زاده

در سال‌های اخیر بکارگیری روش های هوش مصنوعی در بازارهای مالی و سرمایه گذاری به جای روش های کمی مرسوم، رو به افزایش بوده و معمولا عملکرد بهتری را نسبت به روش‌های کلاسیک ارائه کرده است. شبکه عصبی مصنوعی علیرغم مزایای فراوان دارای نقاط ضعف نیز می باشند. در این پژوهش به م چکیده کامل

در سال‌های اخیر بکارگیری روش های هوش مصنوعی در بازارهای مالی و سرمایه گذاری به جای روش های کمی مرسوم، رو به افزایش بوده و معمولا عملکرد بهتری را نسبت به روش‌های کلاسیک ارائه کرده است. شبکه عصبی مصنوعی علیرغم مزایای فراوان دارای نقاط ضعف نیز می باشند. در این پژوهش به منظور غلبه بر نقاط ضعف روش شبکه عصبی با آموزش داده‌های شبکه عصبی از طریق الگوریتم تکاملی یعنی از ترکیب شبکه عصبی مصنوعی با الگوریتم ژنتیک (GA) و الگوریتم ذرات انبوه (PSO) جهت مدلسازی و پیش بینی روزانه نرخ های ارز اسمی در ایران در دوره زمانی 01/01/1392 تا 01/10/1398 استفاده شده است. این مدل‌های ترکیبی با روش شبکه عصبی به عنوان یکی از مدل‌های هوش مصنوعی با توجه به معیارهای خطای MSE، RMSE، MAE،U.Theil مقایسه می‌گردد. نتایج این پژوهش نشان از برتری مدل ترکیبی شبکه عصبی الگوریتم ذرات انبوه نسبت به سایر مدل های مورد بررسی تحقیق دارد پرونده مقاله

دسترسی آزاد مقاله

18 - شبیه سازی بارش – رواناب با شبکه عصبی (مطالعه موردی: دشت نسا بم)
مهدی شاهرخی ساردو مجتبی جعفری کرمانیپور

پیشبینی رواناب به صورت کوتاه مدت به دلیل رابطه مستقیم آن با چگونگی تعامل مدیران با خطرات جانی ناشی از سیلابها، از اهمیت خاصی برخوردار است. در این تحقیق با استفاده از شبکه های عصبی مصنوعی، اقدام به شبیه سازی فرآیند بارش- رواناب به صورت روزانه، در حوزه آبخیز دشت نسا بم چکیده کامل

پیشبینی رواناب به صورت کوتاه مدت به دلیل رابطه مستقیم آن با چگونگی تعامل مدیران با خطرات جانی ناشی از سیلابها، از اهمیت خاصی برخوردار است. در این تحقیق با استفاده از شبکه های عصبی مصنوعی، اقدام به شبیه سازی فرآیند بارش- رواناب به صورت روزانه، در حوزه آبخیز دشت نسا بم شده است. به منظور پیش بینی روند آتی بهره برداری از منابع آبی دشت مذکور، ترکیبات مختلفی از داده های بارش و دما و دبی و اختلاف دبی دو روز متوالی ، مورد استفاده قرار گرفت. تعداد نرونهای لایه مخفی در شبکه عصبی بین 2 تا 10 نرون متغیر بود. معیارهای آماری متوسط ریشه مربع خطا RMSE ،متوسط قدر مطلق خطا MAE و ضریب همبستگی Rبرای ارزیابی و مقایسه عملکرد شبکه های عصبی در پیشبینی رواناب، مورد استفاده قرار گرفت. نتایج نشان داد با داشتن 2 ورودی و شبکه عصبی feedforward و یا 1 ورودی و شبکه newrbe بهترین عملکرد حاصل شده و فرآیند بارش- رواناب با دقت بالاتری پیشبینی شده است. پرونده مقاله

دسترسی آزاد مقاله

19 - پیش‌بینی پارامترهای چسبندگی الیاف فولادی هوک شکل و بتن با استفاده از شبکه‌های عصبی مصنوعی
امیر ابراهیم اکبری بقال

با توجه به اهمیت بکارگیری الیاف فولادی در تقویت بتن، در تحقیق حاضر با استفاده از شبکه‌های عصبی مصنوعی به پیش‌بینی رفتار بیرون کشیدگی الیاف فولادی هوک شکل از بتن پرداخته شده است. به دلیل محدودیت داده‌های جامع آزمایشگاهی، از داده‌های به دست آمده از تحلیل المان محدود به عن چکیده کامل

با توجه به اهمیت بکارگیری الیاف فولادی در تقویت بتن، در تحقیق حاضر با استفاده از شبکه‌های عصبی مصنوعی به پیش‌بینی رفتار بیرون کشیدگی الیاف فولادی هوک شکل از بتن پرداخته شده است. به دلیل محدودیت داده‌های جامع آزمایشگاهی، از داده‌های به دست آمده از تحلیل المان محدود به عنوان ورودی شبکه عصبی استفاده شده است. به منظور شبیه‌سازی‌ بیرون کشیدگی الیاف از روش المان محدود سه‌بعدی و نرم‌افزار آباکوس استفاده می‌شود. در مدل المان محدود، اندرکنش بین الیاف و بتن با استفاده از مفهوم ناحیه انتقالی سطح مشترک شبیه‌سازی شده است که پارامترهای آن با استفاده از روش المان محدود معکوس و استفاده از نتایج تست تجربی بیرون‌کشیدگی انجام پذیرفته بر روی یک نمونه الیاف به دست آمده است. پس از صحت‌سنجی نتایج مدل عددی با نتایج تجربی، نتایج به ازای پارامترهای مؤثر الیاف استخراج شده و بر اساس آنها مدل‌سازی با استفاده از شبکه‌های عصبی صورت گرفته است. پیش‌بینی نیروی بیرون‌کشیدگی توسط شبکه‌های عصبی مصنوعی چندلایه و الگوریتم آموزش انتشار به عقب، با تکنیک بهینه‌سازی مارکورادت-لونبرگ انجام شده است. نتایج نشان می‌دهد که مدل شبکه عصبی ارائه شده در این تحقیق، به دلیل توانایی استفاده از متغیرهای بیشتر در مدل‌سازی و نتایج دقیق‌تر، روشی مؤثر برای پیش‌بینی نیروی بیرون‌کشیدگی الیاف از بتن است. پرونده مقاله

دسترسی آزاد مقاله

20 - Prediction of compressive strength of concretes containing micro silica subject to carbonation using neural network
Ali Delnavaz

Concrete materials are exposed to special weather conditions, corrosion and significant damage. For this purpose, the effect of 28-day compressive strength changes on the samples studied in this study was investigated by considering the simultaneous effect of chloride i چکیده کامل

Concrete materials are exposed to special weather conditions, corrosion and significant damage. For this purpose, the effect of 28-day compressive strength changes on the samples studied in this study was investigated by considering the simultaneous effect of chloride ion penetration and carbonation phenomenon. For this reason, in the first case, the samples are exposed to carbon dioxide once and then to chloride ions. In the latter case, only samples under the influence of chloride infiltration are examined. To make the samples, which include 9 mixing designs, three water-to-cement ratios of 0.35, 0.4 and 0.5 and three percent of 0%, 7% and 10% silica fume have been used. Finally, an optimal model is introduced to predict the compressive strength of concrete containing micro silica exposed to carbonation using artificial neural network. Also, a relation for estimating compressive strength based on the ratio of water to cement and the amount of silica is presented. پرونده مقاله

فهرست مقالات Artificial Neural Network

سکوی نشر دانش

پیوندهای سایت

مراکز مرتبط

پشتیبانی

صفحات رسمی