-
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 فاتحیبرنامه 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 کاملبرنامه 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 غلامیاین 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 کاملاین 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 - آینده نگاری کیفیت عملکرد دانشجویانِ آموزش عالی نظامی با استفاده از الگوریتم پیش بینی شبکه عصبی مصنوعی مورد مطالعه: یک سازمان نظامی
محمد فلاح حمیده رشادت جوزمینه: از جمله مباحث اساسی در نظام آموزش عالی یک کشور، مبانی کیفیت عملکرد دانشجویان و دانش‌آموختگان دانشگاههاست که دو مورد از اصلی‌ترین موارد هفتگانه در حوزه کیفیت در آموزش عالی را تشکیل داده و با دربرگرفتن مولفه-های متعدد، اهمیت فراوانی در ارتقای کیفیت نظام آموزش عالی چکیده کاملزمینه: از جمله مباحث اساسی در نظام آموزش عالی یک کشور، مبانی کیفیت عملکرد دانشجویان و دانش‌آموختگان دانشگاههاست که دو مورد از اصلی‌ترین موارد هفتگانه در حوزه کیفیت در آموزش عالی را تشکیل داده و با دربرگرفتن مولفه-های متعدد، اهمیت فراوانی در ارتقای کیفیت نظام آموزش عالی هر کشور دارد و هرگونه ابهام در آن به‌ویژه در آموزش عالی نظامی که از حساسیت بالاتری برخوردار است باعث بوجود آمدن تبعات جبران‌ناپذیری خواهد شد. هدف: هدف اصلی این مقاله آینده‌نگاری کیفیت عملکرد دانشجویانِ آموزش عالی نظامی با استفاده از الگوریتم پیشبینی شبکه عصبی مصنوعی است که در راستای آن مولفههای اصلی کیفیت عملکرد دانشجویان نیز مورد بررسی قرار گرفته است. روش: در این مقاله با استفاده از الگوریتم پیشبینی شبکه عصبی مصنوعی، آینده‌نگاری کیفیت عملکرد دانشجویان در سه فاز یادگیری، اعتبارسنجی و آزمون شبکه عصبی به انجام رسید که جامعه آماری آن متشکل از اعضای هیأت علمی دانشگاه هوایی شهید ستاری، دانشجویان و دانش‌آموختگان این دانشگاه و نیز اعضای دفتر مطالعات راهبردی و پژوهشهای نظری نهاجا بود و با استفاده از ابزار مصاحبه نیمه‌ساختارمند و پرسشنامه محقق ساخته به گردآوری اطلاعات پرداخته شد و نهایتاً از نرم‌افزار متلب برای مدلسازی شبکه عصبی استفاده گردید. یافته‌ها: با استفاده از الگوریتم شبکه عصبی مصنوعی، مدلی با دقت 5/85 % طراحی شد و مورد آزمون قرار گرفت. نتیجه‌گیری: با استفاده از الگوریتم شبکه عصبی مصنوعی و مدلسازی کیفیت عملکرد دانشجویان میتوان با دقت بسیار بالایی آینده‌نگاری کیفیت عملکرد دانش‌آموختگان در سازمان نهاجا را تدوین نمود. پرونده مقاله -
دسترسی آزاد مقاله
4 - کاربرد شبکههای عصبی مصنوعی در تخمین مصرف انرژی فضاهای آموزشی
مهسا فلاح نیاتاکنون توصیه‌های دقیقی برای مهندسان معمار جهت تعیین ابعاد مناسب پنجره با رویکرد کاهش مصرف انرژی برای فضاهای آموزشی ارائه نشده است. برای آنکه طراحان فضاهای آموزشی به دور از محاسبات هزینه‌بر و وقت‌گیرِ شبیه‌سازی انرژی قادر به تعیین سطح مناسب پنجره و یا حداقل اولویت‌بندی گ چکیده کاملتاکنون توصیه‌های دقیقی برای مهندسان معمار جهت تعیین ابعاد مناسب پنجره با رویکرد کاهش مصرف انرژی برای فضاهای آموزشی ارائه نشده است. برای آنکه طراحان فضاهای آموزشی به دور از محاسبات هزینه‌بر و وقت‌گیرِ شبیه‌سازی انرژی قادر به تعیین سطح مناسب پنجره و یا حداقل اولویت‌بندی گزینه‌های ممکن نورگیری باشند، در تحقیق حاضر بر پایه هوش مصنوعی ساختاری جدید ارائه شده است که می‌تواند هزینه انرژی را در مدت بهره‌برداری از یک کلاس درس استاندارد، به عنوان مهمترین بخش فضای آموزشی، پیشبینی نماید. بدین منظور، 288 سناریوی نورگیری شبیه‌سازی شده و نتایج حاصله برای آموزش شبکه عصبی مصنوعی، استفاده شده است. آزمونهای شبکه آموزش نشان میدهد که ساختار پیشنهادی به خوبی می‌تواند جایگزین مدل شبیه‌ساز مصرف انرژی گردد و طراح تنها با مشخص نمودن جهت نورگیری و نسبت سطح پنجره به سطح دیوار کلاس می‌تواند هزینه مصرف گاز و الکتریسیته را در مدت بهره‌برداری با دقت بسیار خوبی پیشبینی نماید. پرونده مقاله -
دسترسی آزاد مقاله
5 - کاربرد شبکه های عصبی مصنوعی در تخمین مصرف انرژی فضاهای آموزشی
مهسا فلاح نیاتاکنون توصی ههای دقیقی برای مهندسان معمار جهت تعیین ابعاد مناسب پنجره با رویکرد کاهش مصرف انرژی برای فضاهایآموزشی ارائه نشده است. برای آنکه طراحان فضاهای آموزشی ب هدوراز محاسبات هزین هبر و وق تگیرِ شبیه سازی انرژی قادر بهتعیین سطح مناسب پنجره و یا حداقل اولویت بندی گزین چکیده کاملتاکنون توصی ههای دقیقی برای مهندسان معمار جهت تعیین ابعاد مناسب پنجره با رویکرد کاهش مصرف انرژی برای فضاهایآموزشی ارائه نشده است. برای آنکه طراحان فضاهای آموزشی ب هدوراز محاسبات هزین هبر و وق تگیرِ شبیه سازی انرژی قادر بهتعیین سطح مناسب پنجره و یا حداقل اولویت بندی گزین ههای ممکن نورگیری باشند، در تحقیق حاضر بر پایه هوش مصنوعیساختاری جدید ارائه شده است که م یتواند هزینه انرژی را در مدت بهر هبرداری از یک کلاس درس استاندارد، به عنوان مه مترینبخش فضای آموزشی، پی شبینی نماید. بدین منظور، 288 سناریوی نورگیری شبیه سازی شده و نتایج حاصله برای آموزش شبک هعصبی مصنوعی استفاد هشد ه است. آزمو نهای شبکه آموزش نشان م یدهد که ساختار پیشنهادی ب هخوبی م یتواند جایگزین مدلشبیه ساز مصرف انرژی گردد و طراح تنها با مشخص نمودن جهت نورگیری و نسبت سطح پنجره به سطح دیوار کلاس م یتواندهزینه مصرف گاز و الکتریسیته را در مدت بهر هبرداری با دقت بسیار خوبی پیش بینی نماید. پرونده مقاله -
دسترسی آزاد مقاله
6 - یک روش جدید برای رتبه بندی اعداد- Z
ماشااله متین فر سمیه ایزدیدر این مقاله یک روش جدید جهت رتبهبندی اعداد-Z و نیز تعمیمی از آن ارائه میشود. این روش مبتنی بر ساختار داخلی شبکه عصبی مصنوعی است که میدانیم ساختار این شبکه متشکل از ورودیها، وزنها و تابع انتقال اعم از خطی، غیر خطی و بعضاَ هم خطی و هم غیر خطی میباشد. نشان داده میشود روش چکیده کاملدر این مقاله یک روش جدید جهت رتبهبندی اعداد-Z و نیز تعمیمی از آن ارائه میشود. این روش مبتنی بر ساختار داخلی شبکه عصبی مصنوعی است که میدانیم ساختار این شبکه متشکل از ورودیها، وزنها و تابع انتقال اعم از خطی، غیر خطی و بعضاَ هم خطی و هم غیر خطی میباشد. نشان داده میشود روش پیشنهادی ضمن دارا بودن خواص رتبهبندی برای اعداد-Z ایی که مولفههای قسمت محدودیت آنها با هم برابر و قسمت اطمینانشان دارای مرکز ثقل یکسانی هستند رتبهبندی منطقیتری را نسبت به روشهایی که از مرکز ثقل استفاده می-کنند دارا است. این در حالی است که برخی از روشهای موجود برای اعداد-Zهایی که قسمت محدودیت آنها با هم برابر است اما قسمت اطمینانشان برابر نیست ولی دارای مرکز ثقل یکسانی هستند رتبه برابر در نظر میگیرد که این امر نمیتواند در همه موارد منطقی باشد. لذا روش پیشنهادی مشکل فوق را بر طرف میکند. طی چند مثال صحت موضوع نشان داده میشود و نتایج حاصل با برخی از روشهای موجود مقایسه میشود. پرونده مقاله -
دسترسی آزاد مقاله
7 - حل معادلات انتگرال ولترای تصادفی به روش شبکه عصبی مصنوعی فازی
هادی ابطحی حمیدرضا رحیمی مریم مصلحمعادلات 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 کاملمعادلات 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
8 - استفاده از شبکه عصبی جهت تعیین انقباض ورودی، انبساط خروجی و کارائی واحدهای تصمیم گیرنده در مدل راسل
دلال مدحج مسعود صانعی نقی شجاعدر تحلیل پوششی داده­ها به منظور بدست آوردن کارائی با مشخصه­های متفاوت از دو روش اساسی استفاده می­شود. این دو روش عبارتند از مدل­های شعاعی و مدل­های غیر شعاعی. در این مقاله مدل غیر شعاعی راسل که یک مدل غیر خطی است، مورد بررسی قرار می­گیرد. تحلیل پ چکیده کاملدر تحلیل پوششی داده­ها به منظور بدست آوردن کارائی با مشخصه­های متفاوت از دو روش اساسی استفاده می­شود. این دو روش عبارتند از مدل­های شعاعی و مدل­های غیر شعاعی. در این مقاله مدل غیر شعاعی راسل که یک مدل غیر خطی است، مورد بررسی قرار می­گیرد. تحلیل پوششی داده­ها برای مجموعه­های بزرگ با تعداد ورودی­ها و خروجی­های زیاد، نیاز به منابع عظیم کامپیوتری از لحاظ زمان پردازش و استفاده از حافظه می­باشد. شبکه­های عصبی یکی از روش­های رایج برای مدل­های غیر خطی جهت بدست آوردن کارائی مجموعه­های بزرگ با ورودی و خروجی­های زیاد است. در دهه گذشته نیز محققین بر ارزیابی کارائی با استفاده از تحلیل پوششی داده­ها و شبکه عصبی تاکید کرده­اند. در این مقاله میزان انقباض ورودی، انبساط خروجی و کارائی واحدهای تصمیم گیرنده در مدل راسل با استفاده از شبکه عصبی بدست می­آیند. روش ارائه شده برای مجموعه­ای از بانک­های ایران بکار می­رود و نتایج رضایت بخشی بدست می­آیند پرونده مقاله -
دسترسی آزاد مقاله
9 - سنجش دستکاری قیمت ها با استفاده از مدل های تحلیل ممیزی درجه دوم و الگوریتم ژنتیک بر مبنای شبکه عصبی مصنوعی
محمدحسین پوست فروش علیرضا ناصر صدرآبادی محمود معین الدیندر این مقاله از مدل تحلیل ممیزی درجه دوم ) QDF ) 1 و مدل هیبریدی الگوریتم ژنتیک بر مبنای شبکهعصبی مصنوعی ) ANN-GA ) 2 برای تخمین دستکاری قیمت سهام در بورس اوراق بهادار تهران استفاده شدهاست. در این تحقیق، ابتدا با استفاده از روش غربالگری، نمونه ای به حجم 543 شرکت پذیرفته چکیده کاملدر این مقاله از مدل تحلیل ممیزی درجه دوم ) QDF ) 1 و مدل هیبریدی الگوریتم ژنتیک بر مبنای شبکهعصبی مصنوعی ) ANN-GA ) 2 برای تخمین دستکاری قیمت سهام در بورس اوراق بهادار تهران استفاده شدهاست. در این تحقیق، ابتدا با استفاده از روش غربالگری، نمونه ای به حجم 543 شرکت پذیرفته شده در بورساوراق بهادار تهران انتخاب و اطلاعات مربوط به شاخص های قیمت و بازده نقدی ) TEDPIX (، قیمت پایانی،نوسان قیمت پایانی و حجم معاملات در بازه زمانی سال های 1531 تا 1531 گردآوری گردید. سپس بابه کارگیری آزمون وابستگی دیرش و آزمون سلسله و با استفاده از متغیر قیمت و بازده نقدی، شرکت های منتخببه دو دسته دستکاری قیمت شده و دستکاری قیمت نشده تقسیم شدند. سپس با بررسی نمودار روند تغییراتشاخص قیمت و بازده نقدی و حجم معاملات در مورد شرکت های دستکاری قیمت شده، تاریخ شروع دستکاریقیمت تعیین گردید. در گام بعدی، با استفاده از تابع تحلیل ممیزی درجه دوم ) QDF ( و همچنین الگوریتم ژنتیکبر مبنای شبکه عصبی مصنوعی و با استفاده از متغیرهای قیمت پایانی، نوسان قیمت پایانی و حجم معاملات و بابه کارگیری اطلاعات یک سال قبل از شروع دستکاری قیمت سهام برای شرکت های دستکاری قیمت شده واطلاعات چهار ساله برای شرکت های دستکاری قیمت نشده، مدل هایی برای پیش بینی دستکاری قیمت سهامطراحی گردید. در پایان توانایی پیش بینی مدل ها مورد بررسی قرار گرفت. با توجه به نتایج بدست آمده، تواناییپیش بینی مدل تحلیل ممیزی درجه دوم نسبت به مدل الگوریتم ژنتیک بر مبنای شبکه عصبی مصنوعی بهترمی باشد. پرونده مقاله -
دسترسی آزاد مقاله
10 - پیشبینی روند تغییرات قیمت سهام با بهکارگیری شاخصهای تحلیل تکنیکی و استفاده از روش ترکیبی الگوریتم ژنتیک و شبکه عصبی مصنوعی: مطالعه موردی سهام ایران خودرو
زینب آذریان سید مهدی همایونیهمواره پیشبینی دقیق روند بازار سهام برای تصمیم‌گیری‌های مالی سرمایه‌گذاران مهم بوده است. استفاده از مجموعهای از شاخصهای تحلیل تکنیکی یکی از پرکاربردترین روشهای پیش‌بینی‌های مالی است. تعیین پارامترهای مناسب این شاخص‌ها و همچنین ترکیب آنها یکی از چالش‌های پژوهشگران ا چکیده کاملهمواره پیشبینی دقیق روند بازار سهام برای تصمیم‌گیری‌های مالی سرمایه‌گذاران مهم بوده است. استفاده از مجموعهای از شاخصهای تحلیل تکنیکی یکی از پرکاربردترین روشهای پیش‌بینی‌های مالی است. تعیین پارامترهای مناسب این شاخص‌ها و همچنین ترکیب آنها یکی از چالش‌های پژوهشگران است. از طرف دیگر، ماهیت غیرخطی و پویای تغییرات در روند بازار سهام موجب استفاده گسترده از روشهای پیشبینی غیرخطی همچون شبکه عصبی مصنوعی شده است. با وجود استفاده گسترده از شاخصهای تحلیل تکنیکی به عنوان ورودی شبکههای عصبی مصنوعی، تاکنون بهینه‌سازی پارامترهای شاخصهای تحلیل تکنیکی به عنوان ورودی شبکه عصبی مصنوعی پژوهش نشده است. با توجه به روند تغییرات انحصاری سهام یک شرکت نسبت به سایر شرکت‌ها، استفاده از مجموعه پارامترهای پیش‌فرض یا یکسان برای تمام انواع سهام منطقی نیست. در این پژوهش، پارامترهای مجموعهای از شاخصهای تحلیل تکنیکی برای سهام یک شرکت با استفاده از الگوریتم ژنتیک بهینه شده است و به شبکه عصبی مصنوعی به عنوان ورودی داده میشود. از این روش ترکیبی برای پیشبینی روند تغییرات قیمت سهام روز بعد استفاده شده است. در این روش، فرض شده است که فرد سرمایهگذار براساس پیشبینی تصمیم میگیرد، که روز بعد، سهام را بخرد، بفروشد، یا نگه دارد. برای ارزیابی عملکرد روش ترکیبی ارائه شده، از یک شبکه عصبی مصنوعی با استفاده از شاخصهای تحلیل تکنیکی با پارامترهای پیش‌فرض نیز جهت پیشبینی روند تغییرات قیمت سهام استفاده شده است. این دو روش برای دادههای واقعی سهام شرکت ایران خودرو اجرا شده که نتایج نشان دهنده برتری روش ترکیبی با 25.1% کاهش در خطای پیشبینی نسبت به روش ساده است. طبقه‌بندی JEL:G10 ،G17 ،C45 ، C53، C61 پرونده مقاله -
دسترسی آزاد مقاله
11 - برآورد تقاضای خدمات درمان مطالعه موردی شهرهای شیراز و ارسنجان «روش لوجیت تعمیم یافته و شبکه عصبی مصنوعی»
مرتضی حسن شاهیمقدمه: پزشک تأمین‌کننده سلامت انسان است که به دلایل بیماری، کار، سوانح، آلودگی‌های‌زیست محیطی و گذر عمر، مستهلک شده و باعث افزایش تقاضای‌خدمات درمانی میشود؛ عوامل متعددی بر تقاضای خدمات درمانی تأثیر دارند؛ که در این پژوهش سعی بر اندازهگیری میزان تأثیر 18 مورد از مهم چکیده کاملمقدمه: پزشک تأمین‌کننده سلامت انسان است که به دلایل بیماری، کار، سوانح، آلودگی‌های‌زیست محیطی و گذر عمر، مستهلک شده و باعث افزایش تقاضای‌خدمات درمانی میشود؛ عوامل متعددی بر تقاضای خدمات درمانی تأثیر دارند؛ که در این پژوهش سعی بر اندازهگیری میزان تأثیر 18 مورد از مهمترین آنها شده است. روش پژوهش: الگوی مورد استفاده، الگوی لوجیت ترتیبی تعمیم یافته و شبکه عصبی مصنوعی است، جامعه آماری نیز شامل کلیه کسانی است که در سال 94 به بیمارستان‌های شیراز و ارسنجان مراجعه کردهاند و نمونه شامل 100 نفر بیمار و 100 نفر از همراهان بیمار (افراد سالم) است و دادهها از طریق پرسشنامه جمعآوری شده است. یافته‌ها: نتایج آزمونهای اعتبار الگو شامل، نیکویی برازش (شاخص پیرسون و دویانس)، رگرسیون‌های موازی، حداکثر راست‌نمایی و الگوریتم نیوتن-رافسون، حاکی از اعتبار الگو تا 84 درصد اطمینان است. طبق نتایج افزایش یک درصدی در ویزیت، 2/2 % از متقاضیان خدمات درمان را کاهش میدهد. ذخیره اولیه سلامت و اعتقادات نیز همان تفسیر حق ویزیت را دارند. افزایش یک درصدی در حق بیمه باعث کاهش 3/11 % و افزایش یک واحدی شاخص سلامت، باعث کاهش 1/3 % و افزایش یک سال در سن فرد باعث افزایش10% و مصرف روزانه یک عدد سیگار، باعث افزایش 0/04% در تقاضای خدمات درمانی می‌شوند. نتیجه‌گیری: طبق نتایج سطح سلامت، سطح پوشش بیمه، تحصیلات و آگاهی انسان از مسیرهای سلامتی و آناتومی بدن، بیشترین و مصرف سیگار و شغل، کمترین تأثیر را بر تقاضای خدمات درمانی دارند و با افزایش سن، تحصیلات، سطح پوشش بیمه، سطح‌آگاهی و درآمد، بار تقاضای خدمات درمان افزایش می‌یابد از طرف دیگر با گذشت زمان، تحصیلات، سطح آگاهی و درآمد سرانه در حال افزایش است، پس تقاضای این خدمات در آینده افزایش خواهد یافت؛ که باید چاره‌ای اندیشیده شود تا عرضه خدمات نیز به همان نسبت افزایش یابد. پرونده مقاله -
دسترسی آزاد مقاله
12 - داده کاوی الگوی نامشهود تراکنش‌های رفتارهای اطلاع‌یابی و اطلاع درمانی متخصصان بیماری‌های نقص ایمنی
صدیقه محمداسماعیل شیبا کیانمهرمقدمه: پژوهش حاضر با هدف تحلیل رفتار اطلاع درمانی ایمونولوژیست‌های کشور، بر مبنای مدل شبکه عصبی خودسازمان‌ده کوهونن انجام شده است. روش پژوهش: پژوهش کاربردی، به روش پیمایشی توصیفی و با استفاده از تکنیک شبکه عصبی انجام شده است. ابزار پرسش‌نامه‌ای است محقق‌ساخته که بین ۱۴۹ چکیده کاملمقدمه: پژوهش حاضر با هدف تحلیل رفتار اطلاع درمانی ایمونولوژیست‌های کشور، بر مبنای مدل شبکه عصبی خودسازمان‌ده کوهونن انجام شده است. روش پژوهش: پژوهش کاربردی، به روش پیمایشی توصیفی و با استفاده از تکنیک شبکه عصبی انجام شده است. ابزار پرسش‌نامه‌ای است محقق‌ساخته که بین ۱۴۹ نفر توزیع شد. به منظور خوشه‌بندی با استفاده از نرم‌افزارMATLAB متخصصان بر اساس مؤلفه‌های اصلی پژوهش خوشه‌بندی و سپس با حذف هر یک از زیرمؤلفه‌های اصلی، مؤثرترین و کم‌اثرترین گزینه تعیین گردید. یافته‌ها: تحلیل ها نشان داد در مهارت‌های اطلاع‌یابی؛ 63/75 درصد از افراد جامعه در خوشه اول با میانگین 29/88 و در خوشه دوم 36/24 درصد با میانگین نمرات 30/22، قرار دارند و مهم ترین مولفه استفاده از کلیدواژه‌ها و اصطلاحات مرتبط با اطلاعات مورد نیاز است. در مورد راههای اطلاع‌یابی؛ 22/14 درصد جامعه با میانگین نمرات 54/36 در خوشه اول، 18/12 درصد افراد با میانگین 48/11 در خوشه دوم، 14/09 درصد با میانگین 43/28 در خوشه سوم، 16/1 درصد با میانگین 49/04 در خوشه چهارم و 29/53 درصد افراد با میانگین نمرات 53/72 در خوشه پنجم قرار داشته، و مهمترین راههای اطلاع یابی، استفاده از منابع اطلاعات الکترونیک بوده است. بر مبنای میزان استفاده از انواع خدمات اطلاعاتی؛46 درصد افراد با میانگین نمرات 54/85 در خوشه اول، 20/66 درصد با میانگین 49/38 در خوشه دوم و 32/66 درصد با میانگین 43/08 در خوشه سوم قرار داشته و مهم ترین مولفه خدمات اطلاع درمانی، آشنایی با انواع منابع و خدمات اطلاعاتی رشته تخصصی بوده است نتیجه‌گیری: خوشه‌بندی عصبی رفتارهای اطلاع درمانی جامعه مورد مطالعه و تراکنش های اطلاعاتی حاصل از آن، علاوه بر منتج شدن به آگاهی از نیازها و منابع اطلاعاتی مورد نیاز کاربران، به عنوان روشی در دسترس و کم هزینه که ارتقای سطح کیفیت اطلاعات متخصصین سیستم نقص ایمنی را در پی دارد و به ارایه خدمات درمانی موثرتر به بیماران منتهی می‌گردد، زمینه لازم جهت پیش بینی تمهیدات و تصمیم‌گیری‌های اطلاعات‌گرا را جهت تامین نیازها و محمل های اطلاعاتی مورد درخواست کاربران پایگاه های دادههای پزشکی فراهم و در اختیار مدیران و دست‌اندرکاران این حوزه قرار می دهد، و به عنوان راهبردی موثر با حداکثر سطح استانداردهای ممکن، به کشف الگوی نامشهود رفتار های اطلاع‌یابی کاربران حوزه سلامت منتهی، و به فرد مخاطب می‌آموزد تا هوشمندانه از محمل‌های اطلاعاتی بهره گیرد. پرونده مقاله -
دسترسی آزاد مقاله
13 - پیش بینی نوع اظهارنظر حسابرسان با رویکردی بر روش های داده کاوی
محمدحسین ستایش فهیمه ابراهیمی سیدمجتبی سیف مهدی ساریخانیروش های داده کاوی می تواند حسابرسان را در ارائه اظهارنظر حسابرسی یاری رساند. هدف این پژوهشپیش بینی نوع اظهارنظر حسابرسان با استفاده از رو شهای داده کاوی و مقایسه عملکرد این روش ها است. بدینمنظور از روش های شبکه عصبی مصنوعی، ماشین بردار پشتیبان، نزدی کترین همسایگی و درخت چکیده کاملروش های داده کاوی می تواند حسابرسان را در ارائه اظهارنظر حسابرسی یاری رساند. هدف این پژوهشپیش بینی نوع اظهارنظر حسابرسان با استفاده از رو شهای داده کاوی و مقایسه عملکرد این روش ها است. بدینمنظور از روش های شبکه عصبی مصنوعی، ماشین بردار پشتیبان، نزدی کترین همسایگی و درخت تصمیم استفادهشده است. نمونه مورد بررسی شامل 842 مشاهده طی سال های 1380 تا 1389 بوده که این مشاهدات به دو قسمتتقسیم شده است، قسمتی از مشاهدات برای آموزش و قسمتی برای ارزیابی روش در نظر گرفته می شود. مقایسه% عملکرد رو شهای مورد استفاده بیانگر این است که روش ماشین بردار پشتیبان با صحت پی شبینی معادل 76نسبت به سایر روش ها دارای بهترین عملکرد در پی شبینی نوع اظهارنظر حسابرسان است. بررسی خطای نوع اول ودوم هریک از روش ها نیز بیانگر عملکرد بهتر ماشین بردار پشتیبان است. پرونده مقاله -
دسترسی آزاد مقاله
14 - تدوین مدل کشف تقلب با استفاده از رویکرد ترکیبی برپایه مدل تحلیل عاملی و روش شبکه عصبی مصنوعی در شرکت های پذیرفته شده در بورس اوراق بهادار تهران
جابر محمدموسایی بابک جمشیدی نوید مهرداد قنبری فرشید خیراللهیهدف اصلی این پژوهش ارائه مدلی برای کشف تقلب با استفاده از رویکرد ترکیبی مدل تحلیل عاملی و روش شبکه عصبی مصنوعی از نوع شبکه عصبی پیش خور با الگوریتم پس انتشار خطا است. شبکه‌ای که برای پیشبینی تقلب مالی شرکت‌ها استفاده میشود دارای 17 نرون (مجموعه نسبت‌های مالی انتخاب ش چکیده کاملهدف اصلی این پژوهش ارائه مدلی برای کشف تقلب با استفاده از رویکرد ترکیبی مدل تحلیل عاملی و روش شبکه عصبی مصنوعی از نوع شبکه عصبی پیش خور با الگوریتم پس انتشار خطا است. شبکه‌ای که برای پیشبینی تقلب مالی شرکت‌ها استفاده میشود دارای 17 نرون (مجموعه نسبت‌های مالی انتخاب شده) در لایه ورودی و 1 نرون (وضعیت تقلب شرکت‌ها) در لایه خروجی است. تابع تبدیل مورد استفاده در لایه خروجی از نوع خطی و برای لایه میانی یک تابع غیر خطی سیگمویدی انتخاب شده است. جامعه آماری پژوهش، شرکت های پذیرفته شده دربورس اوراق بهادار تهران دربازه زمانی1392-1393 می باشد که 140 شرکت به عنوان نمونه در پژوهش حاضر استفاده شده است . برای دسته بندی شرکت ها با احتمال گزارشگری متقلبانه وغیر متقلبانه از مدل نمرهM بنیش استفاده شده است که 78 شرکت دارای احتمال گزارشگری متقلبانه و62 شرکت دارای احتمال گزارشگری غیرمتقلبانه بوده است. برای انتخاب نهایی متغیر های ورودی درشبکه عصبی مصنوعی ازمدل تحلیل عاملی تائیدی و تحلیل مولفههای اصلی استفاده شده است. نتایج نشان داد که ساختار گزارش شده مدل شبکه عصبی که دارای 7 نرون در لایه پنهان است از دقت و عملکرد بالاتری نسبت به سایر ساختارهای بررسی شده بوده است. نتایج حاکی است که دقت دسته بندی شرکت های متقلب و شرکت های غیرمتقلب وعملکرد کلی در روش شبکه عصبی مصنوعی به ترتیب57.69 %و72.73 % و62.16 % بوده است. پرونده مقاله -
دسترسی آزاد مقاله
15 - مقایسه پیش بینی هزینه ها با استفاده از روش های آماری و شبکه عصبی مطالعه موردی: شهرداری اصفهان
امیر محمدزاده نسرین مهدی پور آرش محمدزادهپیش بینی هزینه کل آب در شهرداری اصفهان کمک موثری میباشد برای بهینه سازی مصرف آب در 14 منطقهشهرداری اصفهان. هزینه کل آب تابعی از پارامترهای مختلف و متنوع می باشد. به همین دلیل پیش بینی هزینه بهصورت تحلیلی بسیار مشکل و یا ناممکن می باشد. در این شرایط استفاده از سیستم های چکیده کاملپیش بینی هزینه کل آب در شهرداری اصفهان کمک موثری میباشد برای بهینه سازی مصرف آب در 14 منطقهشهرداری اصفهان. هزینه کل آب تابعی از پارامترهای مختلف و متنوع می باشد. به همین دلیل پیش بینی هزینه بهصورت تحلیلی بسیار مشکل و یا ناممکن می باشد. در این شرایط استفاده از سیستم های هوشمند می تواند بهعنوان یک گزینه راهگشا مطرح گردد. در این تحقیق با استفاده از شبک ه های عصبی پرسپترون چند لایه و باالگوریتم آموزشی پس انتشار خطا هزینه کل آب شهرداری اصفهان بر اساس پارامترهای سرانه جمعیت هر منطقه،سرانه مساحت هر منطقه به دست آمده است.بدین منظور در این تحقیق مدلی برنامه ریزی شده که قابلیت ها وچهارچوب آن برای پیش بینی هزینه آب در 14 منطقه شهرداری اصفهان میباشد. این برنامه شامل شبیه سازی و پیشبینی هزینه کل آب سالانه شهرداری اصفهان می باشد. شبیه سازی هزینه کل آب با روش های رگرسیون و ش بکهعصبی مصنوعی با استفاده از داده های سال 83 تا 88 انجام شده است که در نهایت روش شبکه عصبی مصنوعیبه عنوان مدل شبیه سازی تعیین شده است پرونده مقاله -
دسترسی آزاد مقاله
16 - ارائه یک مدل شبکه عصبی برای پیشبینی سود شرکتهای پذیرفته شده در بورس اوراق بهادار تهران و مقایسه دقت آن با مدلهایHDZ و ARIMA
مسعود اسدی سیدمظفر میربرگ کار ابراهیم چیرانیپیشبینی سود معیار بااهمیتی برای شرکت‌ها به شمار رفته و شرکتهای پذیرفته شده در بورس اوراق بهادار تهران باید دقت بالایی در پیشبینی سود خود داشته باشند. این پژوهش با هدف ارائه یک مدل شبکه عصبی برای پیشبینی سود شرکتهای پذیرفته شده در بورس اوراق بهادار تهران و مقایسه دق چکیده کاملپیشبینی سود معیار بااهمیتی برای شرکت‌ها به شمار رفته و شرکتهای پذیرفته شده در بورس اوراق بهادار تهران باید دقت بالایی در پیشبینی سود خود داشته باشند. این پژوهش با هدف ارائه یک مدل شبکه عصبی برای پیشبینی سود شرکتهای پذیرفته شده در بورس اوراق بهادار تهران و مقایسه دقت آن با مدلهای ARIMA، HDZ به اجرا درآمده است. روش پژوهش از نظر هدف یک تحقیق کاربردی، از نظر منطق اجراء یک تحقیق استقرایی و از نظر ماهیت داده یک تحقیق کمی میباشد. به منظور گردآوری داده ها از صورتهای مالی اساسی شرکت ها در بازه زمانی 1398-1393 استفاده شد. در این مطالعه از روش شبکه عصبی به منظور پیشبینی سود شرکت ها استفاده شده و دو مدل ARIMA و HDZ مورد ارزیابی قرار گرفت. نتایج حاصل از پژوهش بیان میکند که میزان همگرایی دادهها و میزان رگرسیون در فاز اول و در روش HDZ برابر با 79087/ 0، و در روش ARIMA برابر با 79184/0 و در روش شبکه عصبی مصنوعی برابر با.79464/0 میباشد که میزان بیشتری از همگرایی و ضریب رگرسیون رو به خود اختصاص داده است. بر مبنای نتایج حاصله میتوان دریافت که شبکه عصبی طراحی شده توانایی پیش بینی روند قیمت سهام با استفاده از شاخصهای کل و صنعت را دارا میباشد و این امر علاوه بر تأیید دیگری بر توانایی شبکه عصبی در پیش بینی حوزه‌های مالی، سود آوری استراتژی پیش بینی قیمت در بورس تهران را نیز تأیید میکند. پرونده مقاله -
دسترسی آزاد مقاله
17 - مقایسه مدل های شبکه عصبی مصنوعی و رگرسیون چند متغیره در پیش بینی درصد پوشش درمنه کوهی از روی برخی خصوصیات خاک
منصوره کارگر زینب جعفریانمدیریت دقیق زیستبومهای خاکی برای اهداف مختلف مستلزم شناخت دقیق و کمی خصوصیات و فرآیندهای آنهـا بـه خصـوص در بخـش خـاک است. هدف تحقیق حاضر با توجه به تاثیر خصوصیات خاک بر پوشش گیاهی پیشبینی درصد پوشش گونه درمنه کوهی از طریق برخی خصوصیات خاک است. نمونهبرداری به روش تصادفی چکیده کاملمدیریت دقیق زیستبومهای خاکی برای اهداف مختلف مستلزم شناخت دقیق و کمی خصوصیات و فرآیندهای آنهـا بـه خصـوص در بخـش خـاک است. هدف تحقیق حاضر با توجه به تاثیر خصوصیات خاک بر پوشش گیاهی پیشبینی درصد پوشش گونه درمنه کوهی از طریق برخی خصوصیات خاک است. نمونهبرداری به روش تصادفی سیستماتیک و با استقرار 5 ترانسکت 100 متری و 10 پلات 4 مترمربعی به فاصله 10 متر از هم روی هـر ترانسـکت انجام شد. درصد تاج پوشش درمنه کوهی در هر پلات اندازهگیری شده و نمونه خاک از عمق -0 15 سانیمتری گرفته شـد . در مجمـوع 50 نمونـه خـاک جمعآوری شده و مورد آزمایش قرار گرفت. کربن آلی، آهک، نیتروژن کل، اسیدیته همراه با درصد رطوبت، درصد رس، درصد سیلت و درصـد شـن خـاک اندازهگیری شدند. تمام دادهها به دو سری شامل سری آزمایش متشکل از 70 درصد دادهها برای انجام تجزیـه و تحلیـل و سـری ارزیـابی متشـکل از 30 درصد دادهها برای ارزیابی مدلهای ساخته شده تقسیم گردید. نتایج نشان داد که رطوبت خاک، درصد سیلت و درصد شـن خـاک بـه عنـوان مهـم تـرین خصوصیات خاک پیشبینی کننده در درصد تاج پوشش درمنه کوهی در منطقه مورد مطالعه میباشند. هم چنین نتایج ارزیابی مدلها نشـان داد کـه مـدل شبکه عصبی مصنوعی RMSE و ME به ترتیب برابر و 0/06 0/25 در مقایسه با مدل رگرسیون خطی چند متغیره با RMSE و ME بـه ترتیـب برابـر و 0/12 0/43 بهتر عمل کرده است. با توجه به RMSE و ME پایینتر مدل شبکه عصبی مصنوعی نسبت به مدل رگرسیون از عملکرد بهتری برخوردار بوده که دلیل این امر در نظر گرفتن روابط غیرخطی بین پدیدهها در روش شبکه عصبی مصنوعی میباشد. پرونده مقاله -
دسترسی آزاد مقاله
18 - بهینه‌سازی بهره‌برداری از آبخوان دشت شهریار با شبیه‌سازی جریان آب زیرزمینی به روش مدلسازی ترکیبی
نیما صالحی شفا حسین بابازاده فیاض آقایاری علی صارمی محمدرضا غفوری مسعود صفوی علی پناهداردر پژوهش حاضر یک الگوی شبیه‌سازی چند‌هدفه ارایه شد و شش سناریو بر اساس بیلان آب زیرزمینی به‌منظور بهره‌برداری بهینه از آبخوان دشت شهریار تعریف شد. به این منظور، ابتدا با استفاده از مدل های مبتنی بر GIS و با روشهای فازی و وزنی، مناطق پر آب و کم آب محدوده مطالعاتی به‌من چکیده کاملدر پژوهش حاضر یک الگوی شبیه‌سازی چند‌هدفه ارایه شد و شش سناریو بر اساس بیلان آب زیرزمینی به‌منظور بهره‌برداری بهینه از آبخوان دشت شهریار تعریف شد. به این منظور، ابتدا با استفاده از مدل های مبتنی بر GIS و با روشهای فازی و وزنی، مناطق پر آب و کم آب محدوده مطالعاتی به‌منظور اولویت‌بندی منابع و مصارف شناسایی شدند. سپس سناریوهای مورد نظر به وسیله مدل GMS شبیه‌سازی و ارزیابی شدند. در نهایت به منظور افزایش دقت نتایج پژوهش، غلظت TDS و بیلان آب زیرزمینی با استفاده از مدل شبکه عصبی مصنوعی شبیه‌سازی شد. با توجه به نتایج روشهای فازی و وزنی، مناطق رباط‌کریم، سپس اسلامشهر و در نهایت شهریار بهعنوان نواحی کم آب مشخص شدند. بر اساس نتایج حاصل شده، بیلان حالت ناپایدار و صحت‌سنجی به ترتیب برابر 344/68- و 109/98- میلیون مترمکعب محاسبه شدند. سناریوی سوم با بیلان 203/33 میلیون مترمکعب بهعنوان بهترین سناریو انتخاب شد و بیلان حاصل از آن نسبت به بیلان حاصل از مدل GMS و شبکه عصبی برای سال آبی 95 به‌ترتیب برابر 284/87 و 284/83 درصد افزایش یافت. همچنین غلظت کل مواد جامد محلول آب زیرزمینی حاصل از مدل GMS و شبکه عصبی در کل بازه زمانی مطالعاتی به‌طور میانگین برابر 655 و 651 میلی‌گرم بر لیتر برآورد شدند. معیارهای ضریب همبستگی و ضریب تعیین حاصل از مدلهای شبکه عصبی برای بیلان آب زیرزمینی و کل دادهها برابر یک و برای غلظت کل مواد جامد محلول آب زیرزمینی به‌ترتیب برابر 0/997 و 0/994 برآورد شدند. در تحقیق حاضر، الگوی شبیه‌سازی چند‌هدفه بهعنوان یک روش جامع و کاربردی با ارایه روشهای شبیه‌سازی نوین، توانایی پشتیبانی از چند سناریوی مؤثر را داشته و منجر به افزایش پایداری سیستم آب زیرزمینی میشود. پرونده مقاله -
دسترسی آزاد مقاله
19 - کاربرد سیگنالهای اقلیمی در پیش بینی تبخیر در غرب ایران
عنایت اله رحمتی مجید منتظری امیر گندمکار مهران لشنی زندتبخیر یکی از متغیرهای اقلیمی است که پیش بینی آن نقش مهمی در برنامه ریزیهای مربوط به آب دارد. با توجه به بالا بودن نسبی میزان بارندگی در مناطق غرب ایران، آگاهی از میزان تبخیر برای مدیریت درست آب در این مناطق ضروری میباشد. از عوامل اثرگذار بر میزان تبخیر، سیگنالهای اقلیم چکیده کاملتبخیر یکی از متغیرهای اقلیمی است که پیش بینی آن نقش مهمی در برنامه ریزیهای مربوط به آب دارد. با توجه به بالا بودن نسبی میزان بارندگی در مناطق غرب ایران، آگاهی از میزان تبخیر برای مدیریت درست آب در این مناطق ضروری میباشد. از عوامل اثرگذار بر میزان تبخیر، سیگنالهای اقلیمی میباشند که توجه به نقش آنها پیش بینی تبخیر را ممکن می کند. با استفاده از مدل شبکه عصبی مصنوعی به پیش بینی تبخیر بر اساس این سیگنال‌ها اقدام شده که آمار مربوط به تبخیر از تشت در 3 ایستگاه سینوپتیک با حداقل 20 سال آمار ماهانه و نیز مهمترین سیگنالهای اقلیمی با نرم افزار نروسلوشن (Neurosolution) تجزیه و تحلیل شده است. نتایج پژوهش نشان دهنده آن است که مهمترین سیگنالهای مرتبط با تبخیر در منطقه شامل Nina3:، Nina1، SW Monsoon، Mei و Nina4 میباشد. مقایسه دادههای مشاهده ای تبخیر و خروجی شبکه عصبی، همبستگی بالا بین این داده را نشان می دهد. به گونه‌ای که میزان این همبستگی در ایستگاه کرمانشاه 71 درصد، همدان 82 درصد و سنندج 80 درصد است. با درنظر گرفتن خروجی شبکه عصبی مصنوعی و دادههای مربوط به سیگنالهای اقلیمی، میتوان با دقت بالای 97 درصد به پیش بینی تبخیر درمنطقه مورد پژوهش اقدام نمود. پرونده مقاله -
دسترسی آزاد مقاله
20 - بررسی و تحلیل مدلهای AHP و شبکه عصبی مصنوعی در پهنه‌بندی خطر زمین‌لغزش دامنه‌های جنوبی البرز (منطقه تجریش تهران)
محسن رنجبر عسل فلکدر این تحقیق پس از بررسی‌های میدانی و مرور مطالعات در مناطق مشابه، 9 فاکتور به عنوان عوامل مؤثر بر خطر وقوع زمین‌لغزش منطقه شناسایی و به منظور تحلیل خطر در محیط نرم‌افزار ArcGIS مورد استفاده قرار گرفتند. نقشه زمین‌لغزش‌های موجود نیز از طریق عملیات میدانی و با استفاده از چکیده کاملدر این تحقیق پس از بررسی‌های میدانی و مرور مطالعات در مناطق مشابه، 9 فاکتور به عنوان عوامل مؤثر بر خطر وقوع زمین‌لغزش منطقه شناسایی و به منظور تحلیل خطر در محیط نرم‌افزار ArcGIS مورد استفاده قرار گرفتند. نقشه زمین‌لغزش‌های موجود نیز از طریق عملیات میدانی و با استفاده از دستگاه GPS تهیه گردید. 9 لایه اطلاعاتی آماده شده در ArcGIS با لایه اطلاعاتی پراکنش زمین‌لغزش‌ها تطابق داده شد و اطلاعات میزان زمین‌لغزش‌ها در هر یک از کلاسه‌ها و مساحت آنها به دست آمد. پس از تعیین نرخ هر یک از عوامل، پهنه‌بندی با استفاده از شبکه عصبی و تحلیل سلسله مراتبی اجرا گردید. کارآیی هر یک از این مدلها براساس نتایج خروجی مدلها و با استفاده از دو شاخص دانسیته نسبی (Qs) و جمع مطلوبیت (Dr) مورد ارزیابی قرار گرفت. نتایج حاصل از شاخص Dr نشان داد که نقشه تهیه شده با استفاده از شبکه عصبی نسبت به نقشه تهیه شده با استفاده از تحلیل سلسله مراتبی دقت بالاتری برای منطقه مورد مطالعه دارد. پرونده مقاله -
دسترسی آزاد مقاله
21 - تحلیل رابطه تراز آب دریاچه ارومیه با سیگنال های اقلیمی
مرتضی بیطاری خالدی ابراهیم فتاحیاز جمله مشخصه های مهم هر دریاچه، تراز سطح آب آن است. آگاهی از نحوه نوسانات تراز آب امریموثر در تغییر و بررسی مسایل مرتبط از جمله تغییرات ذخیره آب دریاچه ساخت و ساز های ساحلیو مباحث زیست محیطی است. در این تحقیق به بررسی تاثیر سیگنال های هواشناسی بر نوسان آبدریاچه ارومیه چکیده کاملاز جمله مشخصه های مهم هر دریاچه، تراز سطح آب آن است. آگاهی از نحوه نوسانات تراز آب امریموثر در تغییر و بررسی مسایل مرتبط از جمله تغییرات ذخیره آب دریاچه ساخت و ساز های ساحلیو مباحث زیست محیطی است. در این تحقیق به بررسی تاثیر سیگنال های هواشناسی بر نوسان آبدریاچه ارومیه و دبی حوضه آبریز دریاچه ارومیه پرداخته شده است. داده های مورد استفاده در اینتحقیق به علت حجم زیاد در فواصل زمانی سال های 1951 الی 1986 تا سال های 2008 الی 2011 درایستگاه های مختلف متفاوت است. در بررسی حاضر از داده های ماهانه سیگنال های -2NAO+NIN01-SOI-PDO-NP 4NOI+NIN03-Nino4-Nino3-استفاده شده است. تمامیداده های فوق از مرکزNCEPتهیه گردیده. پس از تبیین ارتباط و نوع آن ، مدل پیش بینی با استفاده از شبکه عصبی مصنوعی برای بازه های زمانه همزمان ، سه ماهه و شش ماهه محاسبه شد. نتایج حاصل ازاین مدل مورد ارزیابی و تجزیه و تحلیل قرار گرفت. بررسی مدل های خروجی از نرم افزار شبکه عصبیمصنوعیNeurosolutions6نشان می دهد که در تمامی ایستگاه ها در حالت های زمانی مختلف اعمدبی حوضه آبریز دریاچه ارومیه به ترتیب 1-NINO 3+4-1 NINO3 NINO1+2-3 NINO4-4می باشد و کمترین تاثیر به ترتیب مربوط به 1-NOI -2 NAO SOI -4 PDO -3 5-NPمی باشد. پرونده مقاله -
دسترسی آزاد مقاله
22 - توسعه و ترکیب مدلهای زمین‌آمار و محاسبات نرم در برآورد توزیع مکانی سطح آب‌زیرزمینی
سامان معروف پور احمد فاخری فرد جلال شیریاز اساسی‌ترین موارد در مدیریت کمی منابع آب زیرزمینی، تخمین سطح آب با استفاده از دادههای برداشت شده از شبکه چاه‌های مشاهده‌ای است. هدف از این پژوهش، میان‌یابی سطح آب زیرزمینی با استفاده از زمین‌آمار و محاسبات نرم در منطقه ای از دشت‌های بم نرماشیر و رحمت‌آباد (استان کرم چکیده کاملاز اساسی‌ترین موارد در مدیریت کمی منابع آب زیرزمینی، تخمین سطح آب با استفاده از دادههای برداشت شده از شبکه چاه‌های مشاهده‌ای است. هدف از این پژوهش، میان‌یابی سطح آب زیرزمینی با استفاده از زمین‌آمار و محاسبات نرم در منطقه ای از دشت‌های بم نرماشیر و رحمت‌آباد (استان کرمان) با مساحت 19028 کیلومتر مربع به عنوان نمونه می باشد. از روشهای کریجینگ ساده و عکس فاصله وزنی و همچنین مدلهای شبکه عصبی مصنوعی، سیستم استنتاج فازی-عصبی انطباقی و برنامه‌ریزی بیان ژن برای پیشبینی توزیع مکانی سطح آب‌زیرزمینی استفاده و بهترین مدل از بین مدلهای هوشمند و زمین آماری انتخاب و برای نمونهبرداری بیشتر در منطقه مورد مطالعه استفاده شد. بدین منظور از اطلاعات مربوط به نمونه‌های حاصل از 65 حلقه چاه در طول آماری سال 1381 تا 1390 استفاده شد. برای مقایسه مدلها معیارهای آماری RMSE، R2، AARE و MAE به کار بسته شدند. نتایج نشان داد در بین مدلهای هوشمند با ورودی طول جغرافیایی و عرض جغرافیایی، شبکه عصبی مصنوعی و در بین مدلهای زمین آماری، روش عکس فاصله وزنی با داشتن کمترین RMSE (به‌ترتیب 138/7 و 062/15 متر) و AARE(به ترتیب 33 و 47 درصد) و بیشترین R2 (به ترتیب 606/0 و 591/0 ) مناسب‌ترین مدل جهت برآورد به ترتیب نقطه‌ای و ناحیه‌ای سطح آب‌زیرزمینی میباشد. در نهایت مدل هیبرید IDW-ANN جهت تخمین و پهنه‌بندی سطح آب‌زیرزمینی در آینده انتخاب شد. پرونده مقاله -
دسترسی آزاد مقاله
23 - شبیه سازی خودهمبسته جریان حوضه آبریز زرینه رود با استفاده از روش تجزیه پروکراستس و مدلهای شبکه عصبی مصنوعی و ماشین بردار پشتیبان
بهروز سبحانی محمد عیسی زاده منیر شیرزادپیش بینی جریان رودخانه ها در حوضه های آبریز نقش مهمی در بهره برداری و مدیریت صحیح منابع آبی دارد. تعیین نوع و تعداد ورودی مدل های تخمین گر، یکی از مهم ترین مراحل در پیش بینی جریان رودخانه ها می باشد. بنابراین از روش تجزیه پروکراستس (PA) برای تعیین تعداد ورودی های موثر چکیده کاملپیش بینی جریان رودخانه ها در حوضه های آبریز نقش مهمی در بهره برداری و مدیریت صحیح منابع آبی دارد. تعیین نوع و تعداد ورودی مدل های تخمین گر، یکی از مهم ترین مراحل در پیش بینی جریان رودخانه ها می باشد. بنابراین از روش تجزیه پروکراستس (PA) برای تعیین تعداد ورودی های موثر استفاده شده است. در این تحقیق پیش بینی جریان با استفاده از داده های جریان ماهانه ایستگاه های آب سنجی صفاخانه و سنته انجام گرفته است. مدل شبکه عصبی مصنوعی (MLP) و مدل ماشین بردار پشتیبان (SVM) برای پیش بینی جریان مورد استفاده قرار گرفته اند. بهترین تخمین جریان با استفاده از مدل های MLP و PA-MLP در ایستگاه آب سنجی صفاخانه به ترتیب با RMSE برابر با (m3/s) 68/5 و (m3/s) 85/4 و CC برابر با 73/0 و 78/0 و در ایستگاه آب سنجی سنته به ترتیب با RMSE برابر با (m3/s) 44/6 و (m3/s) 36/6 و CC برابر با 78/0 و 79/0 انجام شده است. مدل PA-SVM نیز به ترتیب با RMSE و CC برابر با (m3/s) 45/5 و 73/0 در دوره صحت سنجی نتایج بهتری را نسبت مدل SVM در تخمین جریان ایستگاه آب سنجی صفاخانه داشته است. همچنین نتایج نشان داد که مدل های SVM و PA-SVM جریان ایستگاه سنته را با RMSE به ترتیب برابر با (m3/s) 85/6 و (m3/s) 03/7 تخمین زده اند. در حالت کلی نتایج نشان داد که روش تجزیه پروکراستس می تواند به عنوان یکی از روشهای کارآمد و مناسب جهت تعیین تعداد ورودی موثر مورد استفاده قرار گیرد. مقایسه نتایج مدل های MLP و SVM نیز نشان داد که مدل MLP از دقت بیشتری نسبت به مدل SVM برخوردار است. پرونده مقاله -
دسترسی آزاد مقاله
24 - پیشبینی بافت خاک با استفاده از شبکههای عصبی مصنوعی
علی محمدی ترکاشوند الناز خانباباخانی محمدعلی محمودیبافت خاک یکی از مهم ترین ویژگیهای خاک است که بر روی بسیاری از خصوصیات فیزیکی و شیمیایی مانند ظرفیت نگهداری آب، ظرفیت تبادل کاتیونی، حاصلخیزی خاک و تهویه خاک اثر می گذارد. امروزه از فناوری هوش مصنوعی مانند شبکه های عصبی و عصبی فازی برای حل مسائل مربوط به مدل سازی سیستم چکیده کاملبافت خاک یکی از مهم ترین ویژگیهای خاک است که بر روی بسیاری از خصوصیات فیزیکی و شیمیایی مانند ظرفیت نگهداری آب، ظرفیت تبادل کاتیونی، حاصلخیزی خاک و تهویه خاک اثر می گذارد. امروزه از فناوری هوش مصنوعی مانند شبکه های عصبی و عصبی فازی برای حل مسائل مربوط به مدل سازی سیستم ها و فرآیند ها استفاده می شود. در این پژوهش کارآیی شبکههای عصبی مصنوعی در پیشبینی بافت خاک بررسی شد. بدین منظور 150 نمونه خاک از عمق 15- 0 سانتی‌متری از حوزه آبخیز سد گاوشان در استان کردستان جمع آوری گردید. موقعیت جغرافیایی، ارتفاع و درصد شیب در هر نقطه ثبت شد. بافت خاک در آزمایشگاه به‌روش هیدرومتری اندازهگیری شد. با استفاده از شبکههای عصبی مصنوعی رابطه بین طول و عرض جغرافیایی، ارتفاع و شیب و درصد هر کدام از گروه‌های ذرات خاک با استفاده از نرم‌افزار MATLAB به‌دست آمد. دقت شبکه ساخته شده با استفاده از شاخصهای آماری مانند شاخص ریشه میانگین مربعات خطا (RMSE)، شاخص نسبت خطای متوسط هندسی (GMER) و ضریب همبستگی (R) ارزیابی گردید. نتایج به‌دست آمده نشان داد که کارآیی روش استفاده شده برای برآورد مقدار شن و رس خاک نسبتاً یکسان و برای برآورد مقدار سیلت کمتر بود؛ با این حال در سطح برآورد بافت خاک روش استفاده شده از کارآیی بالایی برخوردار نبود. پرونده مقاله -
دسترسی آزاد مقاله
25 - مدلسازی برآورد میزان رسوب معلق رودخانه پسیخان با استفاده از شبکه عصبی مصنوعی درخت تصمیم
سیدسامان میرفلاح نصیری ابراهیم امیری محبوبه شادابی بجندبرآورد دقیق میزان رسوبات حمل شده در رودخانه‌ها بر اثر فرسایش عامل مهمی برای مدیریت پروژه های آب شناختی میباشد. شبکه عصبی مصنوعی به دلایل عمده از جمله برخورداری از توانایی تشخیص الگو، رابطه خوب بین ورودی و خروجی و نیاز به تعداد دادههای ورودی کمتر در پیشبینی میزان رسو چکیده کاملبرآورد دقیق میزان رسوبات حمل شده در رودخانه‌ها بر اثر فرسایش عامل مهمی برای مدیریت پروژه های آب شناختی میباشد. شبکه عصبی مصنوعی به دلایل عمده از جمله برخورداری از توانایی تشخیص الگو، رابطه خوب بین ورودی و خروجی و نیاز به تعداد دادههای ورودی کمتر در پیشبینی میزان رسوب معلق دارای اهمیت فراوانی است. بر این اساس پژوهش حاضر اقدام به مدلسازی برآورد میزان رسوب معلق رودخانه پسیخان با استفاده از شبکه عصبی مصنوعی درخت تصمیم M5 کرده است. میزان رسوب در رودخانه‌ها تابع پارامترهای زیادی از هندسه رودخانه، هیدرولیک جریان و خصوصیات رسوب است. به همین دلیل در این تحقیق سعی شده است ابتدا با بی بعد سازی پارامترهای موثر بر ظرفیت حمل رسوب، تعداد پارامترهای موثر کاهش یابد. نتایج نشان داد که درخت تصمیم ساخته شده اولیه یعنی درخت M5 نیاز به هرس ندارد و دارای کاربرد مناسب می باشد. برای بررسی میزان دقت مدل پیشبینی از سه پارامتر ضریب تعیین (R2)، متوسط خطای نسبی (ME) و میانگین مجذور مربعات خطا (RMSE) استفاده شد. مقادیر بدست آمده برای این سه پارامتر به ترتیب برابر با 851/0، 64/1037 و 32/941 به دست آمد که نشان دهنده مناسب بودن این سه پارامتر است. همچنین مقایسه میزان رسوب معلق بدست آمده از مدل درخت تصمیم با دادههای اندازه گیری رودخانه پسیخان نشان داد که میزان ضریب تعیین برابر با 8953/0 به دست آمد که یک مقدار بسیار مناسب است. نتایج نشان داد که این مدل در پیش بینی میزان رسوب معلق در رودخانه پسیخان از کارایی موثری برخوردار است. پرونده مقاله -
دسترسی آزاد مقاله
26 - مدلسازی بارش-رواناب با استفاده از مدل یادگیر عمیق (مطالعه موردی: حوضه آبریز گالیکش)
راضیه طاطار خلیل قربانی مهدی مفتاح هلقی میثم سالاریجزیشبکههای 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 چکیده کاملشبکههای 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. پرونده مقاله -
دسترسی آزاد مقاله
27 - مقایسه عملکرد مدلهای داده‌کاوی در پیشبینی بارش باران با استفاده از رویکرد دسته‌بندی (مطالعه موردی: ایستگاه هواشناسی سینوپتیک فرودگاه همدان)
مرتضی صالحی سربیژن حمید رضا دزفولیانزمینه و هدف: بارندگی یکی از پدیده‌های پیچیده طبیعی و از مهمترین اجزای چرخه آب بوده و در سنجش خصوصیات اقلیمی هر منطقه نقش بسیار مهمی ایفا میکند. شناخت میزان و روند تغییرات بارش بهعنوان یکی از عناصر مهم هواشناسی، از یک‌سو جهت داشتن مدیریت اثربخش و برنامه‌ریزی دقیق‌تر ب چکیده کاملزمینه و هدف: بارندگی یکی از پدیده‌های پیچیده طبیعی و از مهمترین اجزای چرخه آب بوده و در سنجش خصوصیات اقلیمی هر منطقه نقش بسیار مهمی ایفا میکند. شناخت میزان و روند تغییرات بارش بهعنوان یکی از عناصر مهم هواشناسی، از یک‌سو جهت داشتن مدیریت اثربخش و برنامه‌ریزی دقیق‌تر برای بخش‌های کشاورزی، اقتصادی و اجتماعی و از سوی دیگر برای مطالعاتی مانند رواناب‌ها، خشکسالیها، وضعیت آبهای زیرزمینی و سیلابها ضروری است. همچنین پیشبینی بارش در مناطق شهری تأثیر بسیار زیادی بر کنترل ترافیک، جریان فاضلاب‌ها و فعالیت‌های ساخت‌وساز دارد. روش پژوهش: هدف این مطالعه مقایسه دقت مدلهای کلاس‌بندی درخت تصمیم (چاید (CHAID)، درخت تصمیم C5، نیو بیزین (NB)، کوئست (Quest) و جنگل تصادفی)، k نزدیکترین همسایگی (KNN)، ماشین بردار پشتیبان (SVM) و شبکه عصبی مصنوعی (ANN) جهت پیشبینی وقوع بارش باران با استفاده از دادههای یک دوره 50 ساله در ایستگاه سینوپتیک فرودگاه همدان است. در این مطالعه از 80 درصد دادهها جهت آموزش و از 20 درصد دادهها جهت صحت سنجی مدلها استفادهشده و نتایج حاصل از اجرای مدلها با استفاده از معیارهای ماتریس درهم‌ریختگی (اغتشاش)، منحنی ROC و شاخص AUC مقایسه شدند. برای ساخت متغیر کلاس‌بندی دادههای بارش و عدم بارش، با توجه به دادههای بارش، روزهای سال در دو کلاس روزهای وقوع بارش (y) و روزهای عدم وقوع بارش (n) دسته‌بندی شدند. در این تحقیق پیش‌پردازش دادهها با استفاده از پیش‌پردازش خودکار دادهها (ADP) انجام شده و آنگاه کاهش ابعاد متغیرها از روش PCA استفاده شد. یافته‌ها: در این مطالعه با توجه به روش PCA ابعاد متغیرها به 5 بعد کاهش یافت. همچنین از دادههای موجود تقریباً 80 درصد، روزها بدون بارش و 20 درصد روزها با بارش هستند. نتایج تحقیق نشان داد که مدل KNN با معیار صحت 9/91 برای دادههای آموزشی و مدل SVM، 13/89 درصد برای دادههای آزمون بهترین عملکرد را بین مدلهای داده‌کاوی داشتند. شاخص AUC مدل KNN برابر 97/0 در دادههای آموزشی و در دادههای آزمون مقدار 94/0 برای الگوریتم SVM به دست آمد. همچنین با توجه به منحنی عملکرد سیستم (ROC) برای دادههای بارش همدان مدل KNN نسبت به سایر مدلها عملکرد بهتری را دارا میباشد. توجه به شاخص حساسیت در ماتریس اغتشاش، مدلهای KNN و SVM در پیشبینی عدم وقوع بارش برای دادههای آموزش بهتر عمل کردند. با توجه به شاخص خاصیت در پیشبینی وقوع بارش مدلهای RT و KNN نتایج بهتری داشتند. نتایج: نتایج تحقیق نشان داد که در دادههای آموزش مقدار معیار صحت برای مدلهای RT، C5، ANN، SVM، BN،KNN ، CHAID و QUEST به ترتیب 82/86، 78/89، 55/89، 96/89، 06/88، 9/91، 29/88 و 46/87 بدست آمده اند. همچنین این معیار در دادههای آزمون برای این مدلها به ترتیب 2/83، 9/87، 12/88، 13/89، 12/87، 19/88، 93/86 و 76/86 به دست آمد. مقدار شاخص AUC در دادههای آموزش برای مدلهای RT، C5، ANN، SVM، BN،KNN ، CHAID و QUEST به ترتیب 94/0، 92/0، 94/0، 94/0، 93/0، 97/0، 93/0 و 89/0 به دست آمد. همچنین این معیار در دادههای آزمون برای این مدلها به ترتیب 89/0، 89/0، 93/0، 94/0، 92/0، 90/0، 92/0 و 88/0 برآورد شد. همان‌طور که مشاهده شد، با توجه به معیارهای صحت و شاخص AUC در دادههای آموزش مدل KNN و با توجه به دادههای آزمون مدل SVM کارا تر در پیشبینی بارش باران بودند. پرونده مقاله -
دسترسی آزاد مقاله
28 - مدلسازی خصوصیات فیزیکوشیمیایی برش‌های بادمجان پوشش داده‌شده با صمغ دانه ریحان طی فرآیند سرخ‌کردن
فخرالدین صالحی محمدامین اسدنهالمقدمه: محصولات غذایی سرخ‌شده با توجه به ویژگیهای منحصربه‌فرد مانند رنگ، بو، طعم و بافت مطلوب بسیار مورد توجه میباشند. کنترل شرایط سرخ کردن و استفاده از پوشش‌های هیدروکلوئیدی خوراکی (صمغ‌ها) یکی از روشهای مناسب برای کاهش جذب روغن، حفظ رطوبت و بهبود خصوصیات ظاهری مواد چکیده کاملمقدمه: محصولات غذایی سرخ‌شده با توجه به ویژگیهای منحصربه‌فرد مانند رنگ، بو، طعم و بافت مطلوب بسیار مورد توجه میباشند. کنترل شرایط سرخ کردن و استفاده از پوشش‌های هیدروکلوئیدی خوراکی (صمغ‌ها) یکی از روشهای مناسب برای کاهش جذب روغن، حفظ رطوبت و بهبود خصوصیات ظاهری مواد غذایی سرخ‌شده است.مواد و روش‌ها: در این پژوهش از غلظت‌های مختلف صمغ دانه ریحان (0/0، 0.5، 1 و 1.5 درصد وزنی/وزنی) جهت پوشش‌دهی برش‌های بادمجان هنگام سرخ شدن عمیق در دماهای 150، 175 و 200 درجه سلسیوس استفاده گردید و رابطه بین پارامترهای فرآیند و خصوصیات محصول نهایی به روش الگوریتم ژنتیک- شبکه عصبی مصنوعی مدلسازی گردید.یافته‌ها: نتایج این پژوهش نشان داد که پوشش‌دهی با صمغ دانه ریحان باعث کاهش جذب روغن محصول نهایی شد. پیش تیمار پوشش‌دهی باعث حفظ رطوبت محصول نهایی شد و رطوبت نمونه پوشش داده‌شده با 5/1 درصد صمغ از سایر نمونه‌ها بیشتر بود (64.05%). این فرآیند توسط روش الگوریتم ژنتیک- شبکه عصبی مصنوعی با 2 ورودی شامل غلظت صمغ دانه ریحان و دمای سرخ‌کن و 5 خروجی شامل درصد روغن، مقدار رطوبت و سه شاخص اصلی رنگی (زردی (b*)، قرمزی (a*) و روشنایی (L*)) مدلسازی شد. نتایج مدلسازی نشان داد شبکه‌ای با تعداد 4 نرون در یک لایه پنهان و با استفاده از تابع فعال‌سازی تانژانت هیپربولیک می‌تواند خصوصیات فیزیکوشیمیایی برش‌های سرخ‌شده بادمجان را پیشبینی نماید.نتیجه‌گیری: پوشش حاوی 1.5 درصد صمغ دانه ریحان باعث حفظ رطوبت و کاهش جذب روغن توسط نمونه‌های سرخ‌شده گردید و این پوشش بهعنوان پوشش خوراکی مناسب برای پوشش‌دهی برش‌های بادمجان قبل از فرآیند سرخ کردن، توصیه میشود. نتایج آزمون آنالیز حساسیت نشان داد که تغییر غلظت صمغ دانه ریحان بیشترین تأثیر را بر شاخص روشنایی و سپس بر روی مقدار روغن برش‌های بادمجان سرخ‌شده دارد. همچنین تغییر دمای سرخ‌کن نیز بیشترین تأثیر را بر شاخص روشنایی نمونه‌های سرخ‌شده داشت. پرونده مقاله -
دسترسی آزاد مقاله
29 - مدل سازی فرآیند برشته شدن اسنک سویا تحت سامانه مادون قرمز با استفاده از شبکه عصبی مصنوعی
هادی باقری مهدی کاشانی نژادمقدمه: دانه سویا به عنوان یک منبع غنی از ترکیبات مغذی ضروری همچون پروتئین ها، روغن ها و ترکیبات زیست فعال شناخته می شود و دانه سویا این قابلیت را دارد که به عنوان یک اسنک و مغز برشته شده استفاده شود، اما وجود محدودیت های مثل طعم سویا، بافت سخت و طعم لوبیای گس مانند منجر چکیده کاملمقدمه: دانه سویا به عنوان یک منبع غنی از ترکیبات مغذی ضروری همچون پروتئین ها، روغن ها و ترکیبات زیست فعال شناخته می شود و دانه سویا این قابلیت را دارد که به عنوان یک اسنک و مغز برشته شده استفاده شود، اما وجود محدودیت های مثل طعم سویا، بافت سخت و طعم لوبیای گس مانند منجر به کاهش مصرف این منبع غنی گشته است، بنابراین برای بهبود و افزایش مصرف دانه سویا، باید این محدودیت ها برطرف گردد. برشته کردن می تواند منجر به ایجاد یک طعم مطلوب بدون هیچ گونه طعم لوبیایی و تلخ شود و به طور معنی داری باعث افزایش طعم، رنگ و بهبود بافت دانه سویا گردد. مواد و روش ها: برای این مطالعه برشته کن مادون قرمز طراحی و ساخته شد و نمونه آماده شده دانه سویا (فرآوری شده) با توجه به شرایط آزمایش برشته شد. در این بررسی، مدل شبکه عصبی مصنوعی برای مدل سازی سینتیک کاهش رطوبت در اسنک سویا در طول برشته کردن با استفاده از سامانه مادون قرمز توسعه داده شد. برای این منظور، توان لامپ مادون قرمز (250، 350 و 450 وات)، فاصله سطح لامپ از نمونه (4، 7 و 10 سانتی متر) و زمان برشته کردن (25 دقیقه) به عنوان ورودی در نظر گرفته شد و مقدار نسبت رطوبت (MR) به عنوان خروجی تخمین زده شد. علاوه بر این سه مدل ریاضی مختلف برای برازش داده ها مورد استفاده قرار گرفت و در نهایت داده های برازش شده این سه مدل ریاضی با داده های برازش شده مدل شبکه عصبی مصنوعی مورد مقایسه قرار گرفت. یافته ها: براساس نتایج حاصل از به کار گیری شبکه عصبی مصنوعی، مدل شبکه عصبی مصنوعی برای داده های نسبت رطوبت با یک لایه مخفی، تابع انتقال سیگموئید، قاعده یادگیری لیونبرگ مارکوآرت و تعداد 4 نرون، با 55 درصد برای زیر گروه آموزشی و 25 و20 درصد به ترتیب برای هر یک از زیر گروه های ارزیابی و آزمایشی بهترین برازش را به همراه داشت. ضریب تبین و ریشه متوسط مربع خطای داده‎ها بدست آمده برای مدل شبکه عصبی مصنوعی به ترتیب 9992/0 و 01099/0 و برای بهترین مدل ریاضی به ترتیب 9776/0 و 02758/0 بود. نتیجه گیری: این استنتاج وجود دارد که مدل شبکه عصبی مصنوعی به مراتب بهتر از مدل های ریاضی می تواند نسبت رطوبت را در اسنک سویا طی فرایندبرشته شدن مورد برازش قرار دهد. پرونده مقاله -
دسترسی آزاد مقاله
30 - پیش بینی کمیت پسماند شهری با استفاده از مدلهای هوشمند و آنالیز عدم قطعیت آن ها
مریم عباسی ملیحه فلاح نژاد روح الله نوری مریم میرابیزمینه و هدف: اولین قدم برای طراحی سیستم‌های مدیریت پسماند شهری، آگاهی کامل از کمیت پسماند تولیدی می باشد. پیشبینی کمیت تولید پسماند به دلیل تاثیر عوامل متنوع و خارج از کنترل، یکی از پیچیده‌ترین مسایل مهندسی میباشد. به همین خاطر، لزوم استفاده از مدل‌هایی که قابلیت مدل چکیده کاملزمینه و هدف: اولین قدم برای طراحی سیستم‌های مدیریت پسماند شهری، آگاهی کامل از کمیت پسماند تولیدی می باشد. پیشبینی کمیت تولید پسماند به دلیل تاثیر عوامل متنوع و خارج از کنترل، یکی از پیچیده‌ترین مسایل مهندسی میباشد. به همین خاطر، لزوم استفاده از مدل‌هایی که قابلیت مدلسازی پدیده‌های پیچیده را دارند، به خوبی روشن میباشد. هدف از این مطالعه، پیش بینی کمیت پسماند با استفاده از مدل های هوشمند، مقایسه عملکرد و آنالیز عدم قطعیت آن ها می باشدروش بررسی: در این مطالعه، شهر مشهد به عنوان مطالعه موردی انتخاب شد و از سری زمانی تولید پسماند در فاصله زمانی سالهای 1380 تا 1390 برای پیشبینی هفتگی استفاده گردید. جهت مدل سازی از مدل های هوشمند شبکه عصبی، ماشین بردار پشتیبان، سیستم استنتاجی تطبیقی نروفازی و کا نزدیک ترین همسایه استفاده گردید. پس از بهینه سازی پارامترهای هر مدل، با استفاده از از شاخص های آماری، عملکرد مدل ها مورد مقایسه قرار گرفت. در نهایت، آنالیز عدم قطعیت نتایج مدل سازی با کمک روش مونت کارلو انجام گرفت.یافته ها: نتایج نشان داد که ضریب اطمینان (2R) مدلهای شبکه عصبی، سیستم استنتاجی تطبیقی نروفازی، ماشین بردار پشتیبان و کا نزدیک‍ترین همسایه به ترتیب 67/0، 69/0، 72/0 و 64/0 می باشد. آنالیز عدم قطعیت نیز نتایج این مقایسه را تایید نمود و نشان داد مدل ماشین بردار پشتیبان در بین سایر مدلها، عدم قطعیت کم‍تری داشته و نسبت به دادههای ورودی کم‍ترین حساسیت را دارد.بحث و نتیجه گیری: مدلهای هوشمند از توانایی رضایت‌بخشی برای پیش بینی کمی پسماند برخوردارند و در بین مدلهای هوشمند مورد مطالعه، مدل ماشین بردار پشتیبان بهترین نتایج را از خود نشان داد. همچنین، عدم قطعیت نتایج مدل ماشین بردار پشتیبان در بین سایر مدلها، عدم قطعیت کم تری برخوردار بود. پرونده مقاله -
دسترسی آزاد مقاله
31 - ارزیابی و بهینه سازی سیستم جمع آوری و حمل پسماند شهر ارومیه با ترکیب روش سطح پاسخ و شبکه عصبی مصنوعی
سعید جعفرزاده قوشچی شبنم حمیدی مقدمزمینه و هدف : بهینه سازی سیستم جمع آوری و حمل مواد زاید شهری بیش ترین سهم هزینه های مدیریت مواد زاید را از آن خود کرده است. بنابراین بهبود این سیستم و کاهش هزینه های عملیاتی آن به عنوان یک ضرورت در مدیریت پسماند شهری همواره مورد توجه قرار گرفته است. روش بررسی: به موجب ب چکیده کاملزمینه و هدف : بهینه سازی سیستم جمع آوری و حمل مواد زاید شهری بیش ترین سهم هزینه های مدیریت مواد زاید را از آن خود کرده است. بنابراین بهبود این سیستم و کاهش هزینه های عملیاتی آن به عنوان یک ضرورت در مدیریت پسماند شهری همواره مورد توجه قرار گرفته است. روش بررسی: به موجب بالا بودن نوسان، تغییر در اندازه پسماند ها، تغییرات آب و هوایی و بافت های جمعیتی و زیر ساختی استفاده از سیستم شبکه عصبی مصنوعی (ANN)یک روش مناسب برای پیش بینی اندازه پسماند تولیدی می باشد و از طرفی برای بهینه سازی سیستم مدیریتی این پسماندها نیز از روش سطح پاسخ (RSM) استفاده می گردد. یافته ها: نتایج حاصل از این روش ترکیبی نشان می دهد که بهترین ترکیب از عوامل تاثیرگذار در سیستم حمل زباله شهری توسط RSM با در نظر گرفتن بیش ترین بار حمل شده با حدود 26 کارگر، 10 وانت و 6 کامیون پیشنهاد شد. این ترکیب قادر به حمل بار حدود 34836 تن با هزینه 596696000 ریال می باشد، که نسبت به مقادیر واقعی کارایی بالایی را نشان می دهد. همچنین برای پیش بینی بار حمل شده الگوریتمپس انتشار (BP)با 9 نرون در لایه پنهان به عنوان بهترین مدل با قدرت پیش بینی 19/99% در پیش بینی وزن و 62/96% در پیش بینی هزینه انتخاب شد. بحث و نتیجه گیری: نتایج نشان داد که با استفاده از ترکیب دو روش سطح پاسخ به عنوان یک روش آماری و شبکه عصبی مصنوعی به عنوان یک روش ریاضی می توان به نتایج مناسبی برای ارزیابی و بهینه سازی سیستم جمع آوری و حمل پسماند رسید. پرونده مقاله -
دسترسی آزاد مقاله
32 - مقایسه رویه های شبکه عصبی مصنوعی، رگرسیون لجستیک و یادگیری برمبنای نمونه وزنی مشابهت در مدل سازی و پیش بینی جنگل زدایی مطالعه موردی: حوزه آبخیز گرگانرود- استان گلستان
زینب مرادی علیرضا میکاییلی تبریزیزمینه و هدف: تغییر در پوشش جنگلی در خدمات اکوسیستمی، تعادل کربن در جو و در نتیجه تغییرات آب و هوا نقش بسیار مهمی ایفا می کند. هدف از این تحقیق مقایسه سه روش شبکه عصبی مصنوعی، رگرسیون لجستیک و یادگیری برمبنای نمونه وزنی مشابهت، جهت پیش بینی روند مکانی تغییرات پوشش جنگل ا چکیده کاملزمینه و هدف: تغییر در پوشش جنگلی در خدمات اکوسیستمی، تعادل کربن در جو و در نتیجه تغییرات آب و هوا نقش بسیار مهمی ایفا می کند. هدف از این تحقیق مقایسه سه روش شبکه عصبی مصنوعی، رگرسیون لجستیک و یادگیری برمبنای نمونه وزنی مشابهت، جهت پیش بینی روند مکانی تغییرات پوشش جنگل است. روش بررسی: در این مطالعه از نقشه های کاربری اراضی تولید شده از ماهواره Landsat سنجنده TM مربوط به سال های 1984 و 2012 استفاده شد. مدل سازی پتانسیل انتقال با استفاده از شبکه عصبی مصنوعی، رگرسیون لجستیک و یادگیری برمبنای نمونه وزنی مشابهت و پیش بینی تغییرات برای بهترین مدل با استفاده از زنجیره مارکف انجام شد. به منظور برآورد صحت مدل سازی از آماره های ROC، نسبت موفقیت به هشدار خطا و عدد شایستگی استفاده شد. یافته ها: نتایج بیان گر صحت بالای شبکه عصبی مصنوعی با میزان ROC برابر 975/0 ، نسبت موفقیت به هشدار خطا 63 درصد و عدد شایستگی 12 درصد می باشد. بحث و نتیجه گیری: شبکه های عصبی مصنوعی در مقایسه با رگرسیون لجستیک و یادگیری بر مبنای نمونه وزنی مشابهت از صحت بالاتر و خطای کم تری در مدل سازی و پیش بینی تغییرات جنگل برخوردارند. پرونده مقاله -
دسترسی آزاد مقاله
33 - ارزیابی قابلیت روش تجزیه متعامد سره جهت تعیین ورودی به مدل شبکه عصبی برای پیشبینی جریان ماهانه ورودی به سد علویان
صابر معظمی روح اله نوری محمدرضا وصالی ناصح عباس اکبرزادهزمینه و هدف: سدها به عنوان یکی از اساسی‌ترین منابع تامین آب شرب، کشاورزی، برق‌آبی و صنعتی از نقش مهمی در توسعه جوامع انسانی و محیط‌زیست اطراف خود برخوردارند. بنابراین با توجه به نقش اساسی سدها در پویایی محیط اطراف خود، برآورد جریان ورودی به آنها از اهمیت ویژه‌ای برخورد چکیده کاملزمینه و هدف: سدها به عنوان یکی از اساسی‌ترین منابع تامین آب شرب، کشاورزی، برق‌آبی و صنعتی از نقش مهمی در توسعه جوامع انسانی و محیط‌زیست اطراف خود برخوردارند. بنابراین با توجه به نقش اساسی سدها در پویایی محیط اطراف خود، برآورد جریان ورودی به آنها از اهمیت ویژه‌ای برخوردار بوده و از ابزارهای مهم و مؤثر در مدیریت بهینه کمی و کیفی منابع آب است. روش بررسی: در این تحقیق سعی شده تا با استفاده از مدل هوش مصنوعی شبکه عصبی مصنوعی (ANN) اقدام به مدلسازی جریان ماهانه رودخانه صوفی‌چای، ورودی به سد علویان، گردد. همچنین به منظور بهبود عملکرد مدل مذکور و با توجه به اطلاعات زیاد ورودی به این مدل، از روش تجزیه متعامد سره (POD) به منظور تعیین بهترین الگوی ورودی به مدل ANN استفاده گردید. در نهایت نیز عملکرد دو مدل ANN و مدل ترکیبی POD-ANN بر پایه آماره‌های ضریب تعیین (R2)، میانگین خطای مطلق (MAE) و میانگین قدرمطلق خطای نسبی (AARE) مورد ارزیابی قرار گرفت. یافته‌ها: نتایج این تحقیق مشخص نمود که اگرچه مقادیر پیشبینی شده دبی ورودی به مخزن سد توسط مدل ANN نزدیک به مقادیر مشاهده‌ای هستند اما عملکرد آن در نقاط با دبی بالا با خطای قابل توجهی همراه است. همچنین یافتههای این تحقیق حاکی از عملکرد بهتر مدل POD-ANN نسبت به مدل ANN در نقاط با دبی بالا بود. در حالت کلی نتایج به دست آمده از مدل POD-ANN اجرا شده مشخص نمود که مقدار آماره‌های R2، MAE و AARE مدل در هر دو مرحله واسنجی و صحت‌سنجی بهبود قابل توجهی نسبت به مقادیر مشابه در مدل ANN داشته‌اند. مقدار آماره‌های R2، MAE و AARE در مرحله صحت‌سنجی POD-ANN به ترتیب معادل 93/0، 79/0 و 54/0 بود. بحث و نتیجه‌گیری: عملکرد بهتر مدل POD-ANN در دبی با مقادیر بالا نسبت به مدل ANN می‌تواند به دلیل عمل پیش‌پردازش بر روی متغیرهای ورودی و کاهش تعداد آنها در مدل POD-ANN در مقایسه با مدل ANN باشد. بنابراین میتوان نتیجه‌گیری نمود که عمل پیش‌پردازش بر روی متغیرهای ورودی به مدل ANN و کاهش تعداد متغیرهای ورودی به این مدل همراه با بهبود عملکرد آن بوده است. پرونده مقاله -
دسترسی آزاد مقاله
34 - تخمین TSS خروجی تصفیهخانه فاضلاب اهواز با استفاده از مدلهای هوشمند
مجتبی قائدرحمتی هادی معاضد پروانه تیشه زنمقدمه: محدودبودن منابع آب شیرین در جهان، به خصوص در مناطق خشک و نیمه خشک مانند ایران، رویکرد استفاده مجدد از پساب های شهری را اجتناب ناپذیر ساخته است. از مهمترین شاخص های بررسی میزان آلودگی فاضلاب و مقایسه با استاندارد های مختلف جهت بازاستفاده یا تخلیه به منابع آبی TSS چکیده کاملمقدمه: محدودبودن منابع آب شیرین در جهان، به خصوص در مناطق خشک و نیمه خشک مانند ایران، رویکرد استفاده مجدد از پساب های شهری را اجتناب ناپذیر ساخته است. از مهمترین شاخص های بررسی میزان آلودگی فاضلاب و مقایسه با استاندارد های مختلف جهت بازاستفاده یا تخلیه به منابع آبی TSS می باشد که آزمایشی هزینه بر و زمان بر است. مطالعه حاضر در سال 1395 با هدف تخمین TSS خروجی تصفیه خانه فاضلاب اهواز با استفاده از مدل های هوشمند انجام یافته است. مواد و روش ها: با توجه به زمان بر و هزینه بر یودن آزمون TSS، در این تحقیق، توانمندی سه مدل رگرسیون خطی چندمتغیره، شبکه عصبی مصنوعی و سیستم استنتاج فازی عصبی تطبیقی جهت تخمین TSS فاضلاب خروجی از تصفیه خانه فاضلاب با استفاده از نرم افزار MATLAB و SPSS 21 بررسی شد. براین اساس ترکیبات مختلفی از پارامترهای کیفی فاضلاب، طی دوره آماری 8 ساله (1394-1387) به عنوان ورودی مدل ها در دو حالت روزانه و ماهانه مورد ارزیابی قرار گرفت. نتایج: مدل رگرسیون حداکثر ضریب تعیین(R2) برای مراحل آموزش و صحت سنجی را به ترتیب در دوره روزانه 75/0 و 67/0 و در دوره ماهانه 68/0 و 66/0 به دست آورد؛ ریشه میانگین مربعات خطا(RMSE) در این آزمون 033/0 و 025/0 در دوره روزانه و 053/0 و 053/0 در دوره ماهانه، به دست آمد. حداکثرR2 با شبکه عصبی مصنوعی به ترتیب برای مراحل آموزش و صحت سنجی در دوره روزانه 87/0 و 79/0 و در دوره ماهانه 87/0 و 85/0، و RMSE برابر 030/0 و 023/0 در دوره روزانه و 034/0 و 031/0 در دوره ماهانه، به دست آمد. نتایج بیشترین r2 را برای مدل سیستم استنتاج فازی عصبی تطبیقی نشان دادند که در دوره روزانه 91/0 و 83/0 و در دوره ماهانه 89/0 و 87/0، و مقدار RMSE برابر 026/0 و 025/0 در دوره روزانه و 031/0 و 028/0 در دوره ماهانه، به ترتیب برای مراحل آموزش و صحت سنجی بود. نتیجه گیری: براساس یافته های تحقیق هر سه مدل در تخمین مقدارTSS فاضلاب خروجی کاربرد مناسبی داشتند، اما مدل سیستم استنتاج فازی عصبی تطبیقی به دلیل برازش بهتر و خطای کم تر، مدلی مناسب تر است. پرونده مقاله -
دسترسی آزاد مقاله
35 - حذف کدورت از آب با استفاده از گرافن اکساید بهعنوان ماده منعقدکننده و مدلسازی با شبکه عصبی مصنوعی
نازیلا رضانیا مریم حسنی زنوزی مطهره سعادتپورزمینه و هدف: در سال های اخیر، کاربردهای نانومواد با پایه کربنی در عرصه های مختلف نظیر صنعت آب و فاضلاب توسعه یافته است. یکی از این ترکیبات، گرافن اکساید (GO) است که به دلیل دارا بودن ساختار ورقه ای با سطح ویژه بالا و گروه های سطحی متنوع، توجه زیادی را به خود جلب نموده ا چکیده کاملزمینه و هدف: در سال های اخیر، کاربردهای نانومواد با پایه کربنی در عرصه های مختلف نظیر صنعت آب و فاضلاب توسعه یافته است. یکی از این ترکیبات، گرافن اکساید (GO) است که به دلیل دارا بودن ساختار ورقه ای با سطح ویژه بالا و گروه های سطحی متنوع، توجه زیادی را به خود جلب نموده است. در این راستا، هدف اصلی از انجام پژوهش حاضر، بررسی ویژگی های انعقادی گرافن اکساید در حذف کدورت از آب و مدل سازی فرایند با استفاده از شبکه عصبی مصنوعی (ANN) می باشد.روش بررسی: نمونه های کدورت با استفاده از خاک باغچه و آب شهری تهیه و نمونه GO به صورت سوسپانسیون غلیظ خریداری گردید. آزمایش های جارتست برای بررسی تاثیر pH، غلظت GO، کدورت اولیه، زمان ته نشینی و سایر پارامترها بر بازدهی حذف کدورت، انجام شد. به منظور شبیه سازی فرایند، از شبکه عصبی مصنوعی پرسپترون استفاده شد.یافته ها: تحت شرایط pH اسیدی و نیز با افزایش غلظت GO از 5/2 تا40 میلی گرم بر لیتر، بازدهی حذف کدورت افزایش یافت. اما تغییرات کدورت اولیه اثر مشخص و مستقلی بر بازدهی فرایند نداشت. بخش عمده حذف کدورت در 10 دقیقه ابتدای ته نشینی رخ داد و سرعت ته نشینی لخته ها با افزایش غلظت GO و کاهش pH به شدت افزایش یافت. در مدلسازی با ANN، مقادیر ضریب تعیین (R2) و ضریب همبستگی (R) میان مقادیر واقعی و مقادیر پیش بینی شده حذف کدورت برای داده های آزمون به ترتیب برابر با 9492/0 و 9740/0 به دست آمد که نشان دهنده کارایی خوب مدل بود.بحث و نتیجه گیری: نانو ماده گرافن اکساید کارایی بالایی در حذف کدورت از آب نشان داد. پارامترهای pH و غلظت منعقدکننده، به عنوان مهمترین پارامترهای کنترل کننده فرآیند تشخیص داده شد. مدل داده کاوی شبکه عصبی از عملکرد خوبی برای پیش بینی بازدهی حذف کدورت با استفاده از گرافن اکساید برخوردار بود. پرونده مقاله -
دسترسی آزاد مقاله
36 - مقایسه روش های شبکه عصبی بیزین و شبکه عصبی مصنوعی در تخمین رسوبات معلق رودخانه ها (مطالعه موردی: سیمینه رود)
محمد علی قربانی رضا دهقانیزمینه و هدف: شبیه سازی و ارزیابی آورد رسوب رودخانه از جمله مسایل مهم در مدیریت منابع آب می باشد. اندازه گیری مقدار رسوب به روش های متداول عموماً مستلزم صرف وقت و هزینه زیادی بوده و گاهی از دقت کافی نیز برخوردار نمی باشد. روش بررسی: در این پژوهش تخمین رسوب رودخانه سیمین چکیده کاملزمینه و هدف: شبیه سازی و ارزیابی آورد رسوب رودخانه از جمله مسایل مهم در مدیریت منابع آب می باشد. اندازه گیری مقدار رسوب به روش های متداول عموماً مستلزم صرف وقت و هزینه زیادی بوده و گاهی از دقت کافی نیز برخوردار نمی باشد. روش بررسی: در این پژوهش تخمین رسوب رودخانه سیمینه رود واقع در استان آذربایجان غربی، با استفاده از شبکه عصبی بیـزین مورد بررسی قرار گرفته و نتایج آن با روش های مرسـوم هوشمند همچـون شبکه عصبـی مصنوعی مقایسه گردید. پارامتر دبی، دما و میزان مواد جامد محلول در آب به عنوان ورودی و دبی رسوب به عنوان خروجی مدل در مقیاس زمانی ماهانه طی دوره آماری (1383-1354) انتخاب گردید. معیارهای ضریب همبستگی، ریشه میانگین مربعات خطا، ضریب نش ساتکلیف و ضریب بایاس برای ارزیابی و نیز مقایسه عملکرد روش ها مورد استفاده قرار گرفت. یافته ها: نتایج حاصله نشان داد ساختار ترکیبی توانسته با استفاده از سه روش هوشمند مورد بررسی، در تخمین میـزان رسوب نتایج قابل قبولی ارایه نماید. لیکن از لحاظ دقت، مدل شبکه عصبی بیزین با بیش ترین ضریب همبستگی (832/0)، کم ترین ریشه میانگین مربعات خطا (ton/day071/0) و نیز معیار نش ساتکلیف(692/0) و مقدار بایاس(0001/0) در مرحله صحت سنجی در اولویت قرار گرفت. بحث و نتیجه گیری:در مجموع نتایج نشان داد که مدل شبکه عصبی بیزین توانایی بالایی در تخمین مقادیر کمینه و بیشینه از خود نشان داده است. پرونده مقاله -
دسترسی آزاد مقاله
37 - مدلسازی غلظت تری هالومتان در آب شرب با استفاده از شبکه عصبی مصنوعی
محمد جواد ذوقی محمد علی جعفریدر این مطالعه جهت مدل سازی میزان غلظت تری هالومتان در آب شرب، از شبکه عصبی مصنوعی استفاده شده است. پس از آموزش، شبکه عصبی قادر است براساس مشخصات کیفی آب و میزان غلضت کلر در آب شرب، میزان غلظت تری هالومتان را پیش بینی کند. جهت ارزیابی و تشریح مدل، آب تصفیه خانه سنگر واقع چکیده کاملدر این مطالعه جهت مدل سازی میزان غلظت تری هالومتان در آب شرب، از شبکه عصبی مصنوعی استفاده شده است. پس از آموزش، شبکه عصبی قادر است براساس مشخصات کیفی آب و میزان غلضت کلر در آب شرب، میزان غلظت تری هالومتان را پیش بینی کند. جهت ارزیابی و تشریح مدل، آب تصفیه خانه سنگر واقع در شهرستان رشت به صورت موردی بررسی شده است. از اندازه گیری های انجام یافته بر روی آب شرب تصفیه خانه سنگر، داده های مورد نیاز، جهت آموزش و تست شبکه عصبی اخذ شده است، آب شرب این تصفیه خانه در سال 1386 و در فصول تابستان و زمستان پایش شده است. پارامتر هدف در شبکه عصبی، میزان غلظت تری هالومتان در آب شرب در نظر گرفته شده است. از بین سیزده نوع الگوریتم پس انتشار، الگوریتم بهینه انتخاب و جهت آموزش شبکه عصبی استفاده شد، و سپس ساختمان بهینه شبکه عصبی تعیین گردید. در این مطالعه شبکه عصبی با الگوریتم Marquardt-Levenberg که دارای هشت نرون در لایه پنهان می باشد، به عنوان شبکه عصبی بهینه انتخاب شده است. با توجه به شاخص های آماری به دست آمده (ضریب همبستگی= 997/0 ، ضریب انحراف معیار = 466/6) و داده های ورودی در نظر گرفته شده، برآورد میزان غلظت تری هالومتان در آب شرب توسط شبکه عصبی از کارایی مناسبی برخوردار است. پرونده مقاله -
دسترسی آزاد مقاله
38 - مقایسه مدلهای خودهمبسته شبکه عصبی مصنوعی دینامیک و استاتیک در پیش بینی جریان ماهانه ورودی به مخزن سد دز
محمد ابراهیم بنی حبیب محمد ولی پور سید محمودرضا بهبهانیدر مقاله حاضر قابلیت مدل خود همبسته شبکه عصبی مصنوعی دینامیک برای پیش بینی جریان ماهانه ورودی مخزن سد دز ارزیابی شده و نتایج به دست آمده با مدل خودهمبسته شبکه عصبی مصنوعی استاتیک مقایسه شده است. در تحقیقات قبل مقایسه مدل‌های استاتیک و دینامیک در شبکه‌های عصبی چکیده کاملدر مقاله حاضر قابلیت مدل خود همبسته شبکه عصبی مصنوعی دینامیک برای پیش بینی جریان ماهانه ورودی مخزن سد دز ارزیابی شده و نتایج به دست آمده با مدل خودهمبسته شبکه عصبی مصنوعی استاتیک مقایسه شده است. در تحقیقات قبل مقایسه مدل‌های استاتیک و دینامیک در شبکه‌های عصبی مصنوعی صورت نگرفته است. ضمناً تحقیق حاضر از حیث خودهمبستگی مدل شبکه عصبی مصنوعی، دارای نوآوری می‌باشد. در این تحقیق آبدهی های ماهانه بین سال های 1334 تا 1380 استفاده شده است. به طوری که آمار مربوط به 42 سال اول برای آموزش مدل ها و 5 سال اخیر برای پیش بینی مدل ها استفاده گردید. ساختار های مختلف برای مدل های شبکه عصبی مصنوعی استاتیک و دینامیک با مقایسه شاخص جذر متوسط مربع خطا بررسی گردید. در ابتدا با استفاده از داده های مهر 1334 تا شهریور 1376 در مرحله آموزش مدل ها بهترین ساختار مدل های شبکه عصبی مصنوعی استاتیک و دینامیک به دست آمد. سپس بر اساس ساختارهای بهینه، جریان ماهانه ورودی به مخزن سد دز پیش بینی شده و با داده های مشاهده ای مهر 1376 تا شهریور 1381 مقایسه گردید. در این تحقیق همچنین دونوع تابع فعالیت شعاعی و سیگموئیدی و تعداد نرون‌های مختلف در لایه میانی، بررسی شد. نتایج نشان داد که بهترین مدل در پیش بینی جریان ورودی به مخزن سد دز، مدل خود همبسته شبکه عصبی مصنوعی با تابع فعالیت سیگموئیدی و تعداد 17 نرون در لایه میانی می با شد. مدل ‌های خودهمبسته شبکه عصبی مصنوعی استاتیک و دینامیک با تابع فعالیت سیگموئیدی جریان ورودی به مخزن سد دز را از 5 سال قبل پیش بینی می نمایند. پرونده مقاله -
دسترسی آزاد مقاله
39 - تخمین پارامترهای کیفی آبخوان دشت گیلان با استفاده از آزمون گاما و مدل-های ماشین بردار پشتیبان و شبکه عصبی مصنوعی
محمد عیسی زاده سید مصطفی بی آزار افشین اشرف زاده رضوان خانجانیزمینه و هدف: اطلاع از نحوه توزیع پارامترهای کیفی و کمی از مهم ترین پارامترهای اولیه مدیریت جامع منابع آب زیرزمینی می باشد. بنابراین در این تحقیق سعی گردید، مدل و ترکیب ورودی مناسب جهت تخمین پارامترهای کیفی هدایت الکتریکی (EC)، یون کلسیم (Ca) و یون سدیم (Na) آب خوان های چکیده کاملزمینه و هدف: اطلاع از نحوه توزیع پارامترهای کیفی و کمی از مهم ترین پارامترهای اولیه مدیریت جامع منابع آب زیرزمینی می باشد. بنابراین در این تحقیق سعی گردید، مدل و ترکیب ورودی مناسب جهت تخمین پارامترهای کیفی هدایت الکتریکی (EC)، یون کلسیم (Ca) و یون سدیم (Na) آب خوان های دشت گیلان تعیین گردد. روش بررسی: در این تحقیق از داده های 132 چاهک مشاهداتی در دوره آماری 1381 تا 1393 و مدل های شبکه عصبی مصنوعی (ANN) و ماشین بردار پشتیبان (SVM) استفاده گردیده است. در رویکرد اول، تخمین ها به ازای پنج ترکیب مختلف حاصل از پارامترهای تراز آب، فاصله از دریا، مجموع بارش های شش ماه و مختصات چاهک های مشاهداتی انجام گرفته است. در رویکرد دوم، تخمین ها براساس ترکیب پارامترهای کیفی منتخب آزمون گاما با ترکیب های ورودی برتر بخش اول صورت گرفته است. یافته‌ها: مقایسه نتایج بخش اول نشان داد که مدل SVM در تخمین هر یک از پارامترهای Ca، Na و EC عملکرد بهتری نسبت به مدل ANN داشته است. مقادیر خطای ماشین بردار پشتیبان برای تخمین متغیرهای Ca، Na و EC در دوره تست به ترتیب برابر با (meq/l) 218/1، (meq/l) 867/0 و (µmos/cm) 742/175 بوده است و این مقادیر برای مدل شبکه عصبی مصنوعی به ترتیب برابر با (meq/l) 268/1، (meq/l) 933/0 و (µmos/cm) 448/186 می باشد. نتایج این بخش نشان داد اضافه شدن ورودی فاصله از دریا در کلیه موارد باعث بهبود نتایج مدل ها گردیده است. در بخش دوم با استفاده از آزمون گاما از بین نه پارامتر کیفی اندازه گیری شده ، بهترین ترکیب پارامترهای کیفی برای تخمین هر یک سه پارامتر Ca، Na و EC تعیین گردید. نتایج تخمین ها در بخش دوم نشان داد که هر یک از دو مدل ANN و SVM عملکرد بسیار مناسبی در تخمین هر سه پارامتر کیفی داشته اند. مقدار خطای مدل ANN برای متغیرهای Ca، Na و EC در دوره صحت سنجی به ترتیب برابر با (meq/l) 662/0، (meq/l) 305/0 و (µmos/cm) 346/47 بوده است و این مقادیر برای مدل SVM به ترتیب برابر با (meq/l) 671/0، (meq/l) 356/0 و (µmos/cm) 412/55 می باشد. البته در این بخش نتایج مدل ANN نسبت به مدل SVM بهتر بوده است. بحث و نتیجه‌گیری: نتایج نشان داد که هر یک از دو مدل SVM و ANN توانایی بسیار زیادی در تخمین پارامترهای کیفی آب خوان ها دارند. همچنین عملکرد مدل SVM نسبت به مدل ANN، به ازای تعداد ورودی کمتر بهتر است و در تعداد ورودی بیشتر برعکس می باشد. نتایج بخش دوم نشان داد که آزمون گاما می تواند به صورت کاملا کابردی و دقیق در تعیین ترکیب های ورودی موثر مورد استفاده قرار گیرد. پرونده مقاله -
دسترسی آزاد مقاله
40 - پیشبینی غلظت آلاینده منوکسیدکربن در کلان‌شهر تهران با استفاده از شبکههای عصبی مصنوعی
حمیدرضا جدی رحیم علی عباسپور مینا خالصیان سیدکاظم علویپناهزمینه و هدف:. راهکارهای متعددی برای کنترل آلودگی هوا وجود دارد که یکی از آنها پیش بینی میزان آن است. هدف از این تحقیق ارایه یک مدل شبکه عصبی مصنوعی با ساختار چندلایه، برای آلاینده CO در شهر تهران برای پیش بینی 24ساعت آینده آن می باشد. روش بررسی: از مشخصه های سرعت باد، چکیده کاملزمینه و هدف:. راهکارهای متعددی برای کنترل آلودگی هوا وجود دارد که یکی از آنها پیش بینی میزان آن است. هدف از این تحقیق ارایه یک مدل شبکه عصبی مصنوعی با ساختار چندلایه، برای آلاینده CO در شهر تهران برای پیش بینی 24ساعت آینده آن می باشد. روش بررسی: از مشخصه های سرعت باد، جهت باد، دما، رطوبت نسبی و فشار هوا به عنوان داده های هواشناسی و از غلظت منوکسیدکربن به عنوان پارامتر آلودگی هوا به منظور پیش بینی مقدار آلایندهCO در روز آتی (24 ساعت آینده) استفاده شد. جهت حذف نویز داده ها، در مرحله پیش پردازش داده ها، از دو روش تبدیل موجک و تعیین حد آستانه به کمک توزیع نرمال استفاده گردید. یافته‌ها: نتایج حاصل از شاخص های آماری ضریب همبستگی، شاخص توافق، دقت پیش بینی و جذر میانگین مربعات خطا برای مدل1 با داده های تکراری به ترتیب 9012/0، 915/0، 848/0 و 1012/0 و برای مدل2 با داده های تکراری به ترتیب9572/0، 978/0، 963/0 و 0385/0 می باشد. نتیجه گیری: نتایج حاصل نشان می دهد توافق خوبی بین داده های اصلی و داده های پیش بینی شده توسط مدل ها وجود دارد و مدل های ارایه شده در پیش بینی آلودگی هوا از قابلیت بالایی برخوردارند. پرونده مقاله -
دسترسی آزاد مقاله
41 - ارزیابی مدلهای هوشمند در تخمین هدایت الکتریکی آبهای زیرزمینی (مطالعه موردی: دشت مازندران)
عیسی حزباوی رضا دهقانیچکیده زمینه و هدف: منابع آب زیرزمینی در کنار آبهای سطحی تأمین‌کننده نیاز بخش‌های شهری، صنعت و کشاورزی است که علاوه بر کمیت، کیفیت آنها نیز باید بررسی شود. شورییکی از مهمترین پارامترهایی است که برای ارزیابی کیفیت آبهای زیرزمینی در نظر گرفته میشود. روش بررسی: در ا چکیده کاملچکیده زمینه و هدف: منابع آب زیرزمینی در کنار آبهای سطحی تأمین‌کننده نیاز بخش‌های شهری، صنعت و کشاورزی است که علاوه بر کمیت، کیفیت آنها نیز باید بررسی شود. شورییکی از مهمترین پارامترهایی است که برای ارزیابی کیفیت آبهای زیرزمینی در نظر گرفته میشود. روش بررسی: در این پژوهش کاربرد مدلهای شبکه عصبی مصنوعی و شبکه بیزین جهت پیشبینی هدایت الکتریکی8 چاه مشاهداتی دشت مازندران مورد بررسی قرار گرفت. که برای این منظور هیدروژن کربنات، کلرید، سولفات، کلسیم و منیزیم در مقیاس زمانی ماهانه طی دوره آماری (1383-1393) بهعنوان ورودی و هدایت الکتریکی بهعنوان پارامتر خروجی انتخاب شد.معیارهای ضریب همبستگی، میانگین قدر مطلق خطا و ضریب نش ساتکلیف برای ارزیابی و عملکرد مدل مورداستفاده قرار گرفت. یافته‌ها: نتایج نشان داد مدل شبکه عصبی مصنوعی با ضریب همبستگی (989/0)، میانگین قدر مطلق خطا(ds/m019/0) و نیز معیار نش ساتکلیف(970/0) در مرحله صحت سنجی در اولویت قرار گرفت بحث و نتیجه‌گیری: در مجموع نتایج حاکی از توانمندی قابل‌قبول مدل شبکه عصبی مصنوعی در تخمین هدایت الکتریکی آبهای زیرزمینی است. پرونده مقاله -
دسترسی آزاد مقاله
42 - تعیین روش بهینه طبقه بندی و نقشه سازی کاربری/ پوشش اراضی با مقایسه الگوریتم های شبکه عصبی مصنوعی وماشین بردار پشتیبان با استفاده از داده های ماهواره ای (مطالعه موردی: تالاب بین المللی هامون)
امیرهوشنگ احسانی مجتبی شاکریاریزمینه و هدف: طبقه بندی تصاویر یکی از روش های مهم درتفسیرتصاویر ماهواره ای است که کاربرد زیادی در بررسی تغییرات زمین دارد. در این میان داده های ماهواره ای به دلیل ارایه اطلاعات به روز، ارزان بودن و تنوع اشکال بهترین وسیله برای آشکارسازی و ارزیابی تغییرات شناخته شده است. چکیده کاملزمینه و هدف: طبقه بندی تصاویر یکی از روش های مهم درتفسیرتصاویر ماهواره ای است که کاربرد زیادی در بررسی تغییرات زمین دارد. در این میان داده های ماهواره ای به دلیل ارایه اطلاعات به روز، ارزان بودن و تنوع اشکال بهترین وسیله برای آشکارسازی و ارزیابی تغییرات شناخته شده است. از طرفی دیگر در سال های اخیر روش های شبکه های عصبی مصنوعی به طور وسیع و گسترده جهت طبقه بندی داده های ماهواره ای استفاده می شود. هدف از این پژوهش مقایسه سه روش مختلف جهت طبقه بندی پوشش اراضی با استفاده از تصویر سنجده OLI سال 2014 طی یک دوره 26 ساله می باشد. روش بررسی: در این مقاله تصویر سنجنده OLI (1393) از لحاظ هندسی و اتمسفری در نرم افزار ENVI تصحیح شد. سپس جهت طبقه بندی تصویر به سه روش شبکه های عصبی مصنوعی آرتمپ فازی، شبکه عصبی مصنوعی پرسپترون چند لایه و روش ماشین بردار پشتیبان با استفاده از نرم افزار IDRIS Selva، نقشه پوشش اراضی به پنج کلاس آب، پوشش گیاهی، نیزار، اراضی بایر و اراضی شور طبقه بندی گردید. در نهایت به منظور ارزیابی صحت با استفاده از صحت کاربر، صحت تولید کننده، صحت کلی، ضریب کاپا و ماتریس خطا، نقشه ایجاد شده با نقشه واقعیت زمینی ایجاد شده توسط GPS و تصاویر گوگل ارث و بازدیدهای صحرایی مورد مقایسه قرار گرفت. بحث و نتیجه‌گیری: نتایج نشان دادند که روش آرتمپ فازی بیش ترین میزان دقت را با صحت کل 94.68 و ضریب کاپای91/. نسبت به دو روش شبکه عصبی مصنوعی پرسپترون چند لایه با صحت کل 92.99 و ضریب کاپای 89/. و ماشین بردار پشتیبان با صحت کل 90.93و ضریب کاپای 85/. در طبقه بندی داده های ماهواره ای دارد. پرونده مقاله -
دسترسی آزاد مقاله
43 - بررسی تغییرات پوشش اراضی شهر اراک با استفاده از سنجش از دور و GIS
مژگان احمدی ندوشن علیرضا سفیانیان سید جمال الدین خواجه الدینزمینه و هدف: تغییرات پوشش اراضی از جمله مهم ترین تغییرات سطح زمین هستند که اثرات قابل توجهی روی محیط و فرایندهای محیطی می‌گذارند. مواد و روش ها: در این مطالعه برای بررسی تغییرات پوشش اراضی شهر اراک و حومه آن طی سال های 1335 تا 1385 از عکس های هوایی سال های 1335 و 1351، چکیده کاملزمینه و هدف: تغییرات پوشش اراضی از جمله مهم ترین تغییرات سطح زمین هستند که اثرات قابل توجهی روی محیط و فرایندهای محیطی می‌گذارند. مواد و روش ها: در این مطالعه برای بررسی تغییرات پوشش اراضی شهر اراک و حومه آن طی سال های 1335 تا 1385 از عکس های هوایی سال های 1335 و 1351، تصویر سنجنده TM سال 1369، تصویر سنجنده LISS-III ماهواره IRS-P6 سال 1385 و روش آشکارسازی تغییرات مقایسه پس از طبقه‌بندی استفاده شد. در ابتدا، تصحیح هندسی بر روی کلیه عکس ها و تصاویر ماهواره‌ای با استفاده از نقشه‌های توپوگرافی و روش نمونه گیری مجدد نزدیک ترین همسایه اعمال شد و میزان خطای میانگین مربعات برای همه عکس ها و تصویر ماهواره ای کمتر از یک پیکسل برآورد گردید. پس از زمین مرجع کردن، کلیه عکس ها موزاییک شدند و با استفاده از تفسیر چشمی عکس های هوایی، نقشه پوشش اراضی با 4 طبقه شهر، اراضی بایر، پوشش گیاهی و کوه ایجاد گردید. پس از تصحیح هندسی و توپوگرافی تصاویر ماهواره‌ای، طبقه‌بندی به روش شبکه عصبی مصنوعی بر روی تصاویر اعمال شد. نتایج: نقشه‌های پوشش اراضی در 4 طبقه مشابه با طبقات پوشش اراضی در عکس های هوایی و با صحت کلی بالاتر از 90 درصد ایجاد شدند. برای آشکارسازی تغییرات طی 4 بازه زمانی بین سال های 1335 تا 1385، نقشه‌های پوشش اراضی دو به دو با هم مقایسه شده و نقشه‌ها و جداول تغییرات به دست آمدند. نتایج بررسی روند کلی تغییرات نشان دهنده افزایش قابل توجه مساحت شهر، کاهش پوشش گیاهی و اراضی بایر و ثابت ماندن طبقه کوه بین سال های 1335 و 1385 بود. پرونده مقاله -
دسترسی آزاد مقاله
44 - طراحی الگویی جهت پیش بینی شاخص بورس تهران با استفاده از ترکیبی از شبکه عصبی مصنوعی و مدل مخفی مارکوف
لیلا طلایی کاکلکی مهدی معدنچی زاج تقی ترابی فرهاد غفاریهدف این پژوهش طراحی الگویی جدید جهت پیش بینی شاخص بورس تهران با استفاده از تشخیص الگو در ترکیبی از مدل مارکوف مخفی وهوش مصنوعی بود که تحقیق حاضر از نوع کاربردی و روش تحلیلی ریاضی می باشد. قلمرو مکانی آن بورس اوراق بهادار تهران و طی سال های 1389 تا 1398 است. یافته های پژ چکیده کاملهدف این پژوهش طراحی الگویی جدید جهت پیش بینی شاخص بورس تهران با استفاده از تشخیص الگو در ترکیبی از مدل مارکوف مخفی وهوش مصنوعی بود که تحقیق حاضر از نوع کاربردی و روش تحلیلی ریاضی می باشد. قلمرو مکانی آن بورس اوراق بهادار تهران و طی سال های 1389 تا 1398 است. یافته های پژوهش نشان داد که میزان خطای پیشبینی با شبکه عصبی مصنوعی از دقت بالاتری نسبت به مدل مخفی مارکوف برخوردار است. همچنین میزان خطای پیش بینی مدل ترکیبی به مراتب از دو مدل دیگر برای پیش بینی شاخص کل سهام بورس تهران کمتر بوده، لذا دقت بالاتری برای پیش بینی سهام را دارا می باشد. با توجه به شاخص MAPE روش مدل ترکیبی توانسته 044/0 درصد توان پیش بینی شبکه عصبی مصنوعی را بهبود ببخشد و همچنین 70/0 درصد قدرت پیش بینی کنندگی مدل مخفی مارکوف را بهبود ببخشد. پرونده مقاله -
دسترسی آزاد مقاله
45 - ارائه مدل توسعه‌یافته بنیش با بهکارگیری پدیده تونلینگ بر مبنای تکنیک شبکههای عصبی مصنوعی و الگوریتم بهینه‌سازی حرکت تجمعی ذرات در شناسایی شرکتهای دستکاری کننده سود
فرهاد آزادی مهرداد قنبری بابک جمشیدی نوید جواد مسعودیامروزه اهمیت رقم سود و احتمال مدیریت و دستکاری سود بر هیچ کس پوشیده نیست وپژوهشگران همواره به دنبال راه کار هایی برای رفع ابهام سهامداران و سرمایه گذاران برای تصمیم گیری های مالی بوده اند.بنیش (1999) در راستای روشن نمودن مسیر تصیمیم گیری استفاده کنندگان از اطلاعات مالی چکیده کاملامروزه اهمیت رقم سود و احتمال مدیریت و دستکاری سود بر هیچ کس پوشیده نیست وپژوهشگران همواره به دنبال راه کار هایی برای رفع ابهام سهامداران و سرمایه گذاران برای تصمیم گیری های مالی بوده اند.بنیش (1999) در راستای روشن نمودن مسیر تصیمیم گیری استفاده کنندگان از اطلاعات مالی اقدام به طرح مدلی برای پیش بینی مدیریت سود نمود که این مدل در جوامع مختلف نتایج متفاوتی داشته است لذا در این رساله جهت بهینه کردن و بومی سازی مدل بنیش، با اضافه نمودن متغیر تونلینگ به متغیرهای بنیش و بهره گیری از روشهای نوین شبکه عصبی و الگوریتم بهینه سازی حرکت تجمعی ذرات ،گام برداشتیم . جامعه آماری پژوهش شرکت های پذیرفته شده در بورس اوراق بهادار تهران و تعداد شرکت مورد مطالعه، شامل 196 شرکت پذیرفته شده طی سالهای 1393 تا 1398 است. روش پژوهش توصیفی کتابخانه ای و از نظر ارتباط بین متغیرها علی- همبستگی است و از نظر هدف کاربردی و از لحاظ رخداد، پس‌رویدادی است. به منظور تجزیه و تحلیل داده ها از روش رگرسیونی و شبکه عصبی مصنوعی و الگوریتم PSO استفاده شده است. نتایج حاصل از تحلیل مدل نشان داد که کلیه نسبت های مالی بر پیش بینی مدیریت سود بینش تاثیر معنادار داشته و بیشترین تاثیر در پیش بینی مدیریت سود بینش را شاخص پدیده تونلینگ و کمترین تاثیر را شاخص اهرم مالی داشته است. پرونده مقاله -
دسترسی آزاد مقاله
46 - رتبه بندی شرکتهای تولیدی در بورس اوراق بهادار تهران با استفاده از مدلهای تصمیم گیری با معیارهای چندگانه و شبکه عصبی مصنوعی
مقصود امیری مرتضی بکی حسکوئی مهدی بیگلری کامیاین مقاله به رتبه بندی اعتباری شرکتهای تولیدی حاضر در بورس تهران پرداخته است.در این راستا نسبت های مالی 181 شرکت تولیدی بورسی در طی 3 سال از روی صورتهای مالی آنها استخراج شده است.این نسبت های مالی، بیانگر میزان توانایی پرداخت اصل و فرع تسهیلات می باشند. ابتدا 50 شرکت ان چکیده کاملاین مقاله به رتبه بندی اعتباری شرکتهای تولیدی حاضر در بورس تهران پرداخته است.در این راستا نسبت های مالی 181 شرکت تولیدی بورسی در طی 3 سال از روی صورتهای مالی آنها استخراج شده است.این نسبت های مالی، بیانگر میزان توانایی پرداخت اصل و فرع تسهیلات می باشند. ابتدا 50 شرکت انتخاب و توسط روش تاپسیس رتبه بندی می شود. نسبت های مالی به عنوان معیار و وزن های هر معیار توسط روش آنتروپی شانون معلوم می شوند. سپس با این رتبه بندی ،شرکت ها به 4 طبقه تقسیم بندی می شوند.این دسته بندی به شبکه عصبی مصنوعی آموزش داده می شود وتابع شبکه عصبی بعد از آموزش مورد تست قرار می گیرد. نتایج آماری حاکی از دسته بندی قوی شبکه می باشد.سپس همه شرکت های موجود در این پژوهش توسط شبکه عصبی دسته بندی می شوند.در نهایت نیز نظر خبره توسط پرسشنامه جمع آوری می شود و با نتایج شبکه عصبی مقایسه می شود که بیانگر این موضوع می باشد که نتایج شبکه عصبی بسیار نزدیک به نظر خبره می باشد. پرونده مقاله -
دسترسی آزاد مقاله
47 - شبکه های عصبی شعاعی آموزش یافته بر پایه متغیرهای مدلهای آماری و مقایسه آنها در پیش بینی ورشکستگی
علیرضا مهرآذین احمد زنده دل محمد تقی پور امید فروتنامروزه شبکه های عصبی مصنوعی جایگاه ویژه ای در حیطه مالی پیدا کرده است. پژوهش حاضر به دنبال یافتن روش بهتر برای ساخت و آموزش شبکه های عصبی مصنوعی است که منجر به پیش بینی دقیق‌تر در موضوع ورشکستگی شود. در این میان سه شبکه عصبی از نوع توابع شعاع مدار ساخته شد که به صورت جد چکیده کاملامروزه شبکه های عصبی مصنوعی جایگاه ویژه ای در حیطه مالی پیدا کرده است. پژوهش حاضر به دنبال یافتن روش بهتر برای ساخت و آموزش شبکه های عصبی مصنوعی است که منجر به پیش بینی دقیق‌تر در موضوع ورشکستگی شود. در این میان سه شبکه عصبی از نوع توابع شعاع مدار ساخته شد که به صورت جداگانه توسط متغیرهای مدل آلتمن (1983)، اسمایوسکی (1984) و ترکیبی آموزش داده شدند. پس از سنجش توانایی سه مدل در پیش بینی ورشکستگی با استفاده از آزمون دقیق فیشر و مک نمار، دقت آنها مورد مقایسه قرار گرفته است. نمونه مورد آزمون شامل شرکتهای عضو بورس اوراق بهادار تهران در بین سالهای 1383 تا 1390 میباشد. یافته‌ها نشان می‌دهند که هر سه مدل توانایی پیش بینی ورشکستگی را دارند و از بین آنها مدل آموزش یافته با متغیرهای مدل آلتمن دقیق‌تر از دو مدل دیگر قادر به انجام این امر است. پرونده مقاله -
دسترسی آزاد مقاله
48 - پیش بینی ورشکستگی شرکت های پذیرفته شده در سازمان بورس و اوراق بهادار با استفاده از شبکه عصبی مصنوعی
محسن واعظ قاسمی سعید رمضانپور چهاردهآگاهی از وضعیت مالی شرکت های بازار سرمایه همیشه یکی از دغدغه های سهامداران و تحلیلگران اقتصادی است؛ از این رو تحلیل گران و محقیق بازار های مالی همیشه به دنبال روش هایی برای پیش بینی شرایط آتی شرکت های حاضر در بازار سرمایه بودند. تحقیق پیش رو نیز به دنبال ایجاد مدلی برای چکیده کاملآگاهی از وضعیت مالی شرکت های بازار سرمایه همیشه یکی از دغدغه های سهامداران و تحلیلگران اقتصادی است؛ از این رو تحلیل گران و محقیق بازار های مالی همیشه به دنبال روش هایی برای پیش بینی شرایط آتی شرکت های حاضر در بازار سرمایه بودند. تحقیق پیش رو نیز به دنبال ایجاد مدلی برای پیش بینی ورشکستگی شرکت های حاضر در بازار بورس و اوراق بهادار با استفاده از شبکه عصبی مصنوعی است. در این تحقیق از نسبت های مالی زیمنسکی در کنار یک متغیر کلان اقتصادی برای پیش بینی ورشکستگی شرکت ها استفاده شده؛ جامعه آماری تحقیق از بین شرکت های پذیرفته شده در سازمان بورس و اوراق بهادار انتخاب شدند. نسبت های مالی از صورت های مالی شرکت ها در بازه زمانی پنج ساله، بین سال های 1389 تا 1393 استخراج شده، که در نهایت 84 شرکت انتخاب و به دو دسته شرکت های سالم و ورشکسته با نسبت های برابر تقسیم شدند. برای ایجاد مدل پیش بینی و تجزیه و تحلیل داده ها از شبکه عصبی پرسپترون چند لایه با استفاده از الگوریتم پس انتشار استفاده شده. شبکه یک بار تنها فقط با استفاده از نسبت های مالی و بار دیگر با اضافه شدن متغیر کلان اقتصادی تحت آموزش قرار گرفت تا در نهایت این فرضیه تائید شود که دقت شبکه با اضافه شدن متغیر کلان اقتصادی افزایش می یابد. در نهایت مدل طراحی شده در حالت کلی دارای دقتی 92.95 درصدی، و 85 درصد پیش بینی درست شرکت های ورشکسته برای یک سال قبل از ورشکستگی را دارد. پرونده مقاله -
دسترسی آزاد مقاله
49 - ارتقای سطح کارائی مدیریت سرمایه گذاری دربازارسرمایه ایران با استفاده ازشبکه عصبی مصنوعی و منطق فازی
حسین عموزادمهدیرجیتخصیص بهینه منابع مالی یکی ازمهمترین مسا ئل بازار سرمایه است. در یک بازار سرمایه کارا از بعد عملیاتی ،سرمایه در اختیار بهترین گزینه های سرمایه گذاری قرار میگیرد. بنابراین استفاده ازابزارهای مدیریت مناسب جهت کسب بازدهی بیشتر،گامی در راستای کاراترشدن مدیریت معاملات بازارا چکیده کاملتخصیص بهینه منابع مالی یکی ازمهمترین مسا ئل بازار سرمایه است. در یک بازار سرمایه کارا از بعد عملیاتی ،سرمایه در اختیار بهترین گزینه های سرمایه گذاری قرار میگیرد. بنابراین استفاده ازابزارهای مدیریت مناسب جهت کسب بازدهی بیشتر،گامی در راستای کاراترشدن مدیریت معاملات بازاراست. با توجه به زمینه های استفاده از شبکه های عصبی و منطق فازی در سرمایه گذاری سهام و پیش بینی مالی ،بکارگیری آنها در انتخاب پر تفوی مناسب می تواند نتایج مطلوبی برای سرمایه گذاران در پی داشته باشد.هدف اصلی این پژوهش دستیابی به پرتفوی سرمایه گذاری بهینه دربازارسرمایه بابکارگیری شبکه عصبی مصنوعی ومنطق فازی است. همراه بامدل مارکویتز،ازمدلهای ایجادشده طریق شبکه عصبی مصنوعی ومدل فازی استفاده گردید.از شرکتهای فعال در بورس اوراق بهادارتهران، که از سال 1386الی 1395 دارای بازده مثبت بوده اند برای تشکیل پرتفوی سرمایه گذاری انتخاب شدند.برای ارزیابی پرتفو های پیشنهادی در حالت های مختلف، به مقایسه بازده پرتفو های مختلف بر اساس بازده ماهیانه وسالیانه شرکت های عضووبهینه سازی پرتفوهای پیشنهادی بااستفاده ازالگوریتم ژنتیک پرداخته شده است. این تحقیق نشان میدهدکه استفاده ازمدلهای فازی نسبت به مدلهای مذکوربازدهی بالاتری رابرای سرمایه گذاران فراهم می نماید. پرونده مقاله -
دسترسی آزاد مقاله
50 - پیش بینی یک روزه قیمت سهام با استفاده از مدل ترکیبی
وحید وفائی قائینی علی‌محمد کیمیاگریپیشبینی بازارهای مالی یکی از سرفصل‌های مهم در حوزه مالی و مطالعات پژوهشی است. اهمیت پیشبینی از یک سو و پیچیدگی آن از سوی دیگر باعث شده است که تحقیقات زیادی در این زمینه انجام شود. در این پژوهش از یک روش ترکیبی شامل تبدیل موجک، مدل ARMA-EGARCH و شبکه عصبی مصنوعی برای پ چکیده کاملپیشبینی بازارهای مالی یکی از سرفصل‌های مهم در حوزه مالی و مطالعات پژوهشی است. اهمیت پیشبینی از یک سو و پیچیدگی آن از سوی دیگر باعث شده است که تحقیقات زیادی در این زمینه انجام شود. در این پژوهش از یک روش ترکیبی شامل تبدیل موجک، مدل ARMA-EGARCH و شبکه عصبی مصنوعی برای پیش بینی یک دوره ای قیمت سهام در بازارهای ایران و آمریکا استفاده شده است. ابتدا به کمک تبدیل موجک سری زمانی را به چند سری جزئی و یک سری تقریبی تجزیه شده و سپس مدل ARMA-EGARCH برای پیش بینی سری های جزئی و شبکه عصبی مصنوعی برای پیش بینی سری تقریبی بکار گرفته می شوند. در این مدل علاوه بر سری تقریبی، برخی از شاخص های تکنیکال نیز برای بهبود شبکه عصبی به آن داده می شوند. ارزیابی مدل پیشنهادی برای پیش بینی قیمت در بازار ایران و آمریکا با مدل های شبکه عصبی مصنوعی، ARIMA-EGARCH و ARIMA-ANN نشان داد که مدل پیشنهادی عملکرد بهتری نسبت به سایر مدل ها برای پیش بینی قیمت سهام در بازار ایران و آمریکا دارد. پرونده مقاله -
دسترسی آزاد مقاله
51 - A New Hybrid Methodology Based on Data Envelopment Analysis and Neural Network for Optimization of Performance Evaluation
A. Namakin S. E. Najafi M. Fallah M. JavadiIn this paper, a new method of combining ANN and DEA (ANN-DEA) presented in which the input and output values for a large number of DMUs determined as neural network inputs. We have also compared the new model with the existing approach of ANN-DEA. To illustrate the abi چکیده کاملIn this paper, a new method of combining ANN and DEA (ANN-DEA) presented in which the input and output values for a large number of DMUs determined as neural network inputs. We have also compared the new model with the existing approach of ANN-DEA. To illustrate the ability of the proposed methodology some case studies are used, including a set of 500 Iranian bank branches. پرونده مقاله -
دسترسی آزاد مقاله
52 - Improved Neural Network and the Pontryagin's minimum Principle for Solve Fuzzy Optimal Control Problems
S. Askari S. AbbasbandyIn this paper, a novel and practical approach are proposed to solve the fuzzy optimal control (FOC) using an improved multi-layer perceptron (IMLP) network along with the Pontryagin minimum principle (PMP). Here, it is worthwhile to mention that in the fuzzy Hamilton fu چکیده کاملIn this paper, a novel and practical approach are proposed to solve the fuzzy optimal control (FOC) using an improved multi-layer perceptron (IMLP) network along with the Pontryagin minimum principle (PMP). Here, it is worthwhile to mention that in the fuzzy Hamilton function, instead of functions of control and trajectory and the Lagrange multipliers, the approximate solutions are replaced based on the IMLP neural network, which is a Three-layer type. پرونده مقاله -
دسترسی آزاد مقاله
53 - مدلسازی پارامترهای کیفی آب زیرزمینی با استفاده از مدلهای شبکه عصبی مصنوعی و زمین آمار (مطالعه موردی: دشت زیدون)
عبدالامیر عچرش زاده اصلان اگدرنژادزمینه و هدف: امروزه یکی از موانع توسعه و گسترش جوامع، کیفیت نامناسب آب می باشد. بررسی کیفیت و روند تغییرات کیفی آب زیرزمینی در مدیریت پایدار منابع آب هر منطقه، اهمیت زیادی دارد. اندازه گیری این پارامترها در یک سطح وسیع، هزینه بر و زمان بر بوده و برای مدل سازی آن ها، روش چکیده کاملزمینه و هدف: امروزه یکی از موانع توسعه و گسترش جوامع، کیفیت نامناسب آب می باشد. بررسی کیفیت و روند تغییرات کیفی آب زیرزمینی در مدیریت پایدار منابع آب هر منطقه، اهمیت زیادی دارد. اندازه گیری این پارامترها در یک سطح وسیع، هزینه بر و زمان بر بوده و برای مدل سازی آن ها، روش های تخمین گر مورد نیاز است. هدف از پژوهش حاضر مدل سازی پارامترهای کیفی آب زیرزمینی دشت زیدون با استفاده از مدل های ANN+PSO و زمین آمار می باشد. روش بررسی: بدین منظور از اطلاعات ۴۲ حلقه چاه مشاهده ای موجود در دشت زیدون به صورت ماهانه طی ۷ سال، استفاده شده است. ورودی های مدل شبکه عصبی شامل پارامترهای کیفی SO42- ، pH ، HCO32-، Na+، Mg2+، Ca2+، TDS، SAR و EC در نظر گرفته شد. یافته ها: نتایج حاصل از شبیه سازی پارامترهای کیفی آب زیرزمینی با استفاده از مدل ANN+PSO نشان داد، در مدل شبیه ساز SAR بیشترین دقت شبیه سازی مربوط به مدل با تابع لگاریتم سیگموئید، در مدل شبیه ساز EC هم بیشترین دقت شبیه سازی مربوط به مدل با تابع محرک تانژانت سیگموئید می باشد. همچنین در مدل شبیه ساز TDS هم بیشترین دقت شبیه سازی مربوط به مدل با تابع محرک تانژانت سیگموئید به دست آمد. به طوری که مقدار RMSE و MAE کمترین مقدار و شاخص R2 بیشترین مقدار را دارد. همچنین نتایج حاصل از شبیه سازی پارامترهای کیفی آب زیرزمینی با استفاده از مدل زمین آمار نشان داد، بالاترین دقت مدل کریجینگ در شبیه سازی به ترتیب مربوط به پارامترهای EC، SAR و TDS است. بحث و نتیجه‌گیری: در نهایت، مقایسه نتایح حاصل از مقایسه نتایج مدل ANN+PSO و مدل کریجینگ نشان داد که مدل ANN+PSO دقت بیشتری در شبیه سازی پارامترهای کیفی آب زیرزمینی دشت زیدون نسبت به مدل کریجینگ دارد. همچنین نتایج این پژوهش نشان داد، تلفیق مدل های هوشمند با الگوریتم های بهینه سازی با معماری صحیح و ورودی های کامل مدل، به عنوان ابزاری مفید برای شبیه سازی پارامترهای کیفی آب زیرزمینی کاربرد دارند. پرونده مقاله -
دسترسی آزاد مقاله
54 - مدلسازی پارامترهای کیفی EC، SAR و TDS در آب زیرزمینی با استفاده از شبکه عصبی مصنوعی (مطالعه موردی: دشت مهران و دهلران)
مهرداد میرسنجری فاطمه محمدیاری رضا بصیری فاطمه حمیدی پوربا توجه به اهمیت آب های زیرزمینی در بخش شرب و کشاورزی، شبیه سازی و پیش بینی تغییرات کیفی آن از نیازهای روزافزون بشر محسوب می گردد. در این تحقیق کار مدل سازی پارامترهای کیفی TDS و EC بر اساس سایر مؤلفه های شیمیایی یعنی آنیون ها و کاتیون های اصلی، SAR و pH انجام شده است. چکیده کاملبا توجه به اهمیت آب های زیرزمینی در بخش شرب و کشاورزی، شبیه سازی و پیش بینی تغییرات کیفی آن از نیازهای روزافزون بشر محسوب می گردد. در این تحقیق کار مدل سازی پارامترهای کیفی TDS و EC بر اساس سایر مؤلفه های شیمیایی یعنی آنیون ها و کاتیون های اصلی، SAR و pH انجام شده است. همچنین جهت مدل سازی نسبت جذب سدیم به عنوان متغیر وابسته، فراسنج های طول و عرض جغرافیایی، هدایت الکتریکی، میزان کل عناصر محلول و مقادیر pH به عنوان متغیر مستقل به کار گرفته شدند. در این مطالعه شبکه عصبی با الگوریتمMarquardt Levenberg- برای پیش بینی پارامترهای کیفی آب زیرزمینی انتخاب گردید. نتایج نشان داد روش شبکه عصبی کارایی بالایی در پیش بینی مقادیر پارامترهای کیفی آب زیرزمینی دارد. مقدار بالای ضریب همبستگی به دست آمده بین پارامترهای مدل سازی شده بیان گر نزدیک بودن مقادیر پیش بینی گردیده با داده های اندازه گیری شده و توانایی و دقت بالای روابط بین متغیرهای ورودی با خروجی است. ضریب تبیین هر سه عنصر مدل سازی شده نیز در سه مرحله آموزش، اعتبارسنجی و تست بالای 90 درصد می باشد که نشان دهنده ی دقت قابل قبول شبکه عصبی مصنوعی و یادگیری خوب و کارآمد شبکه با استفاده از الگوریتم آموزشی مورد نظر و داده های ارایه شده به شبکه است. نتایج این مطالعه از اهمیت زیادی در جهت برنامه ریزی و مدیریت یکپارچه کیفیت منابع آب و حفاظت و بهره وری مناسب از آن در منطقه مطالعاتی برخوردار می باشد پرونده مقاله -
دسترسی آزاد مقاله
55 - پیش بینی تغییرات پارامتر رسانایی الکتریکی در آب زیر زمینی شهر تهران با کمک شبکه عصبی مصنوعی
ناصر مهردادی غلام رضا نبی بید هندی اکبر باغوند حمید زارع ابیانه پویان عباسی مائدهجهت بررسی کیفیت آب زیر زمینی تهران با توجه به برداشت 10 سال گذشته از پارامتر های هیدروشیمیایی مربوط به 71 نقطه مختلف از شهر تهران سه مدل مختلف شبکه عصبی مصنوعی با تعداد پارامتر های مختلف ورودی و خروجی پارامتر رسانایی الکتریکی تعریف گردید. مشاهده می شود که به جهت تخمین پ چکیده کاملجهت بررسی کیفیت آب زیر زمینی تهران با توجه به برداشت 10 سال گذشته از پارامتر های هیدروشیمیایی مربوط به 71 نقطه مختلف از شهر تهران سه مدل مختلف شبکه عصبی مصنوعی با تعداد پارامتر های مختلف ورودی و خروجی پارامتر رسانایی الکتریکی تعریف گردید. مشاهده می شود که به جهت تخمین پارامتر رسانایی الکتریکی با سعی و خطای فراوان تابع محرک تانژانت با تابع آموزش مومنتم دارای خطای کمی خواهند بود. با کمتر کردن مقدار پارامتر های ورودی و ثابت نگه داشتن تابع آموزش به مومنتوم و تابع محرک به تانژانت و تغییرات در مقدار پردازنده های داخلی شبکه عصبی میزان خطا کاسته خواهد شد و در نهایت سه مدل با یک لایه پنهان و تابع آموزش مومنتوم و تابع محرک تانژانت ساخته شد.حداکثر خطای نتایج به دست آمده نشان دهنده میزان بیشینه ضریب تعیین برابر 0.986می باشد که مربوط به مدل های 1 و 3 با تعداد پارامتر بیشتر می باشد. همچنین با توجه به شبکه عصبی ساخته شده در یک لایه کمترین میزان کمینه ی نرمال ریشه ی میانگین مربعات خطا برابر 0.110 در مدل های 1 و 3 خواهد بود، با توجه به تعداد ورودی های کمتر مدل شماره 2 و خطاهای با تقریب بسیار نزدیک به این دو مدل با میزان بیشینه ضریب تعیین برابر 96/0 و میزان کمینه ی نرمال ریشه ی میانگین مربعات خطا برابر 176/0 تقریب بسیار مناسب و قابل قبول خواهد بود و از میزان ورودی و آزمایشات جهت اندازه گیری پارامتر ورودی کاسته خواهد شد. در بحث تاثیر گذاری پارامتر ها در پیش بینی با شبکه عصبی مشخص می شود که میزان اهمیت دو یون سولفات و کلراید با اهمیت تر از پارامتر سدیم می باشند. پرونده مقاله -
دسترسی آزاد مقاله
56 - شبیه‌سازی اثر باکتری‌های محرک رشد بر ذرت با استفاده از شبکه عصبی مصنوعی
علی رضا رضایی معصومه نژاد علی علی غفوریانچکیده مطالعات بسیاری در زمینه شناخت عوامل مؤثر بر میزان رشد و نمو گیاهان زراعی از جمله گیاه ذرت صورت گرفته است با توجه به جایگاه ویژه ذرت، تعیین اثر این عوامل از اهمیت بالایی برخوردار است از آن جائیکه بررسی این مطالعات در مزارع و آزمایشگاه ها بسیار زمان بر و پرهزینه می چکیده کاملچکیده مطالعات بسیاری در زمینه شناخت عوامل مؤثر بر میزان رشد و نمو گیاهان زراعی از جمله گیاه ذرت صورت گرفته است با توجه به جایگاه ویژه ذرت، تعیین اثر این عوامل از اهمیت بالایی برخوردار است از آن جائیکه بررسی این مطالعات در مزارع و آزمایشگاه ها بسیار زمان بر و پرهزینه می باشد استفاده از شبکه عصبی مصنوعی به عنوان یک روش سریع و غیرمخرب برای شبیه‌سازی عوامل تاثیرگذار بر محصولات کشاورزی و پیشبینی نتایج تجربی حائز اهمیت است، هدف از این تحقیق ارزیابی قابلیت پیش بینی اثر باکتری‌های محرک رشد بر عملکرد ذرت علوفه‌ای با استفاده از شبکه عصبی مصنوعی بوده که پس از کسب اطلاعات مورد نیاز از مطالعات تجربی، هر کدام از پارامترهای ورودی و خروجی شامل متغیر مستقل (اثر باکتری‌های محرک رشد و عوامل تاثیرگذار) و متغیر وابسته (عملکرد علوفه در هکتار) داده‌سازی شد سپس شبکه عصبی نوع پرسپترون چند لایه (MLP) با تابع تبدیل سیگموئید در تعداد نورون‌های 5، 10، 15، 20، 25 در لایه مخفی طراحی گردید. نتایج نشان داد شبکه (MLP) با الگوریتم آموزشی پس انتشار خطا با ضریب همبستگی (R=0/999) و میانگین مربعات خطای (MSE= 0/000113) با تعداد 10 نورون در لایه مخفی به عنوان مدل مطلوب قادر به پیشبینی عملکرد علوفه ذرت تحت تأثیر باکتری‌های محرک رشد بود، همچنین در نتایج شبیه‌سازی با پارامترهای ورودی جدید، اختلاف بسیار اندکی بین مقادیر خروجی واقعی و خروجی پیشبینی شده مشاهده گردید. بنابراین شبکه عصبی مصنوعی در این پژوهش به خوبی توانست اثر باکتری‌های محرک رشد بر ذرت را تخمین و برآورد کند و می توان از شبکه عصبی حاصل برای پیشبینی سایر عوامل تاثیرگذار استفاده نمود. پرونده مقاله -
دسترسی آزاد مقاله
57 - مدل سازی و مطالعه ارتباط کمی ساختار-فعالیت برخی از مشتقات کربوکسیلات به عنوان داروهای ضد سرطان با استفاده از رگرسیون خطی چند متغیره و شبکه های عصبی مصنوعی
مهدی نکوئی محمود ابراهیمی پرستو فتاحی بهزاد چهکندیشیمی درمانی، یکی از مؤثرترین درمان ها برای سرطانها به شمار می رود اما بسیاری از سرطانها در طی درمان با داروهای شیمی درمانی نسبت به اثرات درمانی داروی مصرفی، مقاوم می‌شوند که به آن مقاومت به داروهای چندگانه یا Multi Drug Resistance می گویند. در حال حاضر از برخی داروهای ج چکیده کاملشیمی درمانی، یکی از مؤثرترین درمان ها برای سرطانها به شمار می رود اما بسیاری از سرطانها در طی درمان با داروهای شیمی درمانی نسبت به اثرات درمانی داروی مصرفی، مقاوم می‌شوند که به آن مقاومت به داروهای چندگانه یا Multi Drug Resistance می گویند. در حال حاضر از برخی داروهای جدید از جمله مشتقات کربوکسیلات جهت کاهش مقاومت دارویی استفاده شده است. در تحقیق حاضر، مطالعه ارتباط کمی ساختار-فعالیت(QSAR) جهت پیش بینی فعالیت دارویی برخی از مشتقات کربوکسیلات با استفاده از روش رگرسیون خطی چند متغیره(MLR) و شبکه های عصبی مصنوعی(ANN) انجام شد. در ابتدا ساختار ترکیبات دارویی، رسم و گروه مناسبی از توصیف کننده‌ها محاسبه شدند. سپس از روش انتخاب مرحله‌ای برای بدست آوردن بهترین توصیف کننده‌ها که بیشترین ارتباط را با فعالیت دارویی ترکیبات مورد نظر داشتند استفاده گردید. در ابتدا مدل خطی رگرسیون خطی چندگانه(MLR) ساخته شد. سپس برای به دست آوردن نتایج بهتر از ANN استفاده گردید. داده های آماری، برتری روش ANN را نسبت به روش MLR نشان می دهد. پرونده مقاله -
دسترسی آزاد مقاله
58 - کاربرد رگرسیون خطی چند متغیره و شبکه های عصبی مصنوعی جهت پیشبینی فعالیت ضدمیکروبی برخی مشتقات آنیلیدها به روش ارتباط کمی ساختار - فعالیت (QSAR)
مهدی نکوئی پرستو پورعلی سید حامد موسویمطالعه ارتباط کمی ساختار-فعالیت(QSAR) جهت پیش بینی فعالیت ضدمیکروبی برخی مشتقات آنیلیدها با استفاده از روشهای رگرسیون خطی چند متغیره(MLR) و شبکه های عصبی مصنوعی(ANN) انجام شد. در ابتدا ساختار ترکیبات، رسم و گروه مناسبی از توصیف کننده‌ها محاسبه شدند. سپس از روش انتخاب مر چکیده کاملمطالعه ارتباط کمی ساختار-فعالیت(QSAR) جهت پیش بینی فعالیت ضدمیکروبی برخی مشتقات آنیلیدها با استفاده از روشهای رگرسیون خطی چند متغیره(MLR) و شبکه های عصبی مصنوعی(ANN) انجام شد. در ابتدا ساختار ترکیبات، رسم و گروه مناسبی از توصیف کننده‌ها محاسبه شدند. سپس از روش انتخاب مرحله‌ای برای بدست آوردن بهترین توصیف کننده‌ها که بیشترین ارتباط را با فعالیت ضدمیکروبی ترکیبات مورد نظر داشتند استفاده گردید. با این روش 5 توصیف کننده انتخاب و در ابتدا مدل خطی MLR ساخته شد. سپس برای به دست آوردن نتایج بهتر از شبکه عصبی مصنوعی استفاده گردید. مقادیر ضریب تعیین (R2) و ریشه میانگین مربعات خطا (RMSE) برای سری تست به ترتیب برابر 077/0 و 073/0 برای مدل خطی MLR و 613/0 و 021/0 برای مدل غیرخطی ANN بدست آمد. داده های آماری، برتری روش ANN را نسبت به روش MLR نشان می دهد. پرونده مقاله -
دسترسی آزاد مقاله
59 - مدل سازی و مطالعه ارتباط کمی ساختار-خاصیت جهت پیش بینی نیمه عمر بی فنیل های پلی کلرینه با استفاده از رگرسیون خطی چند متغیره و شبکه های عصبی مصنوعی
سکینه بهرامی نسب مهدی نکوئی سیدعباس طاهریمطالعه ارتباط کمی ساختار-خاصیت(QSPR) جهت پیش بینی زمان نیمه عمر برخی مشتقات بی فنیل های پلی کلرینهبا استفاده از روشهای رگرسیون خطی چند متغیره(MLR) و شبکه های عصبی مصنوعی(ANN) انجام شد. در ابتدا ساختار ترکیبات، رسم و گروه مناسبی از توصیف کننده ها محاسبه شدند. سپس از روش چکیده کاملمطالعه ارتباط کمی ساختار-خاصیت(QSPR) جهت پیش بینی زمان نیمه عمر برخی مشتقات بی فنیل های پلی کلرینهبا استفاده از روشهای رگرسیون خطی چند متغیره(MLR) و شبکه های عصبی مصنوعی(ANN) انجام شد. در ابتدا ساختار ترکیبات، رسم و گروه مناسبی از توصیف کننده ها محاسبه شدند. سپس از روش انتخاب مرحله ای برای بدست آوردن بهترین توصیف کننده ها که بیشترین ارتباط را با نیمه عمر ترکیبات مورد نظر داشتند استفاده گردید. با این روش 6 توصیف کننده شاملLop, GATS5m, GATS8m, LDip, RDF020u, R2v+ که از انواع توصیف کننده های توپولوژیکی، بار، نمایش سه بعدی مولکول بر اساس پراش الکترونی و تابع توزیع شعاعی هستند انتخاب گردید. در ابتدا مدل خطی MLR ساخته شد. سپس برای به دست آوردن نتایج بهتر از شبکه عصبی مصنوعی استفاده گردید. مقادیر ضریب تعیین (R2) و ریشه میانگین مربعات خطا (RMSE) برای سری تست به ترتیب برابر 716/0 و 050/0 برای مدل خطی MLR و 896/0 و 030/0 برای مدل غیرخطی ANN بدست آمد. داده های آماری، برتری روش ANN را نسبت به روش MLR نشان می دهد. پرونده مقاله -
دسترسی آزاد مقاله
60 - ارزیابی کارایی شبکه عصبی مصنوعی در پیش بینی روند بیابان زایی با استفاده از سیستم اطلاعات جغرافیایی GIS (مطالعة موردی: دشت دهلران، ایلام)
ثریا یعقوبی مرزبان فرامرزی حاجی کریمی جواد سروریانیکی از مشکلات اصلی مناطق خشک و نیمه‌خشک حاکمیت پدیده بیابان زایی است. بنابراین، شناخت و پیشبینی عوامل مؤثر در پیشرفت پدیده بیابان‌زایی می‌تواند در مدیریت بهتر این مناطق مؤثر واقع شود. هدف از این تحقیق ارزیابی صحت مدل شبکه عصبی مصنوعی در پیشبینی روند بیابان‌زایی و انتخ چکیده کاملیکی از مشکلات اصلی مناطق خشک و نیمه‌خشک حاکمیت پدیده بیابان زایی است. بنابراین، شناخت و پیشبینی عوامل مؤثر در پیشرفت پدیده بیابان‌زایی می‌تواند در مدیریت بهتر این مناطق مؤثر واقع شود. هدف از این تحقیق ارزیابی صحت مدل شبکه عصبی مصنوعی در پیشبینی روند بیابان‌زایی و انتخاب مؤثرترین معیار بیابان‌زایی در دشت دهلران با استفاده از مدل ایرانی ارزیابی وضعیت بیابان‌زایی (IMDPA) است. در این روش دو معیار آب و اقلیم به عنوان عوامل مؤثر در بیابان‌زایی انتخاب شدند. برای معیار اقلیم سه شاخص بارش سالانه، شاخص SPI و تداوم خشکسالی و برای معیار آب پنج شاخص افت آب، نسبت جذب سدیم، کلر، هدایت الکتریکی و کل مواد محلول در آب ارزیابی شد. با استفاده از مدل مذکور هر شاخص امتیازدهی شد. سپس با میانگین هندسی نقشه‌های معیار و شدت بیابان‌زایی در نرم‌افزار ArcGIS®93 برای دوره مورد نظر تهیه شد. در نهایت دادهها به شبکه عصبی مصنوعی جهت پیشبینی وارد شدند. نتایج نشان‌دهنده کارایی بالای مدلهای شبکه عصبی مصنوعی در پیشبینی روند بیابان‌زایی بود به گونه‌ای که دقت شبکه بالای 80 درصد و میانگین مربعات خطا کمتر از یک بدست آمد. همین‌طور بر اساس نتایج بدست آمده برای دوره پیشبینی شده مهمترین معیارهای احتمالی تأثیرگذار بر شدت بیابان‌زایی منطقه به ترتیب معیارهای اقلیم و آب با متوسط وزنی 2 (متوسط زیر کلاس 1، 2 و 3)، 84/1 (متوسط زیر کلاس 1 و 2) رتبهبندی گردیدند. پرونده مقاله -
دسترسی آزاد مقاله
61 - بررسی کارایی شبکه یادگیری عمیق در شناسایی تغییرات اراضی با استفاده از تصاویر دو زمانه لندست-8
سهند طاهرمنش بهنام اصغری بیرامی مهدی مختارزادهعلم سنجش‌ازدور با بهکارگیری تصاویر چند زمانه ماهواره‌ای، امکان پایش تغییرات در فواصل زمانی مختلف را فراهم کرده است. رویکرد پیکسل مبنا در شناسایی تغییرات توانایی ارائه دقت بالا را ندارد و ازاین‌رو باید ویژگیهای مکانی در کنار ویژگیهای طیفی بکار روند. استفاده از روش‌ها چکیده کاملعلم سنجش‌ازدور با بهکارگیری تصاویر چند زمانه ماهواره‌ای، امکان پایش تغییرات در فواصل زمانی مختلف را فراهم کرده است. رویکرد پیکسل مبنا در شناسایی تغییرات توانایی ارائه دقت بالا را ندارد و ازاین‌رو باید ویژگیهای مکانی در کنار ویژگیهای طیفی بکار روند. استفاده از روشهای سنتی تولید ویژگی مکانی مانند ماتریس هم رخداد با چالش‌هایی روبه‌رو است. تولید این ویژگی‌ها علاوه بر اینکه وابسته به انتخاب کاربر است، بهصورت ناخواسته باعث افزایش فضای ویژگی می‌گردد. تمرکز اصلی مقاله حاضر در بهکارگیری ویژگیهای طیفی-مکانی در راستای حل محدودیت روشهای سنتی در شناسایی تغییرات میباشد. در این تحقیق، ویژگیهای طیفی-مکانی توسط خود شبکه یادگیری عمیق پیشنهادی استخراج شده و در طبقه‌بندی بکار گرفته‌شده‌اند. تصاویر لندست-8، ورودی شبکه بوده و فرایند استخراج ویژگی بهصورت سلسله مراتبی صورت گرفته است. بر اساس ویژگیهای طیفی-مکانی عمیق تولیدی از لایه‌های شبکه، خروجی شبکه تصاویر طبقه‌بندی‌شده‌ی قبل و بعد میباشد. درنهایت، بر اساس رویکرد پساطبقه‌بندی نقشه تغییرات حاصل می‌گردد. از شبکه پیشنهادی جهت ارزیابی تغییرات شهر سهند با استفاده از تصاویر سنجنده لندست-8 در بین سالهای 2013 تا 2021 استفاده شده است. برای اثبات قابلیت شبکه پیشنهادی در بهکارگیری ویژگی و طبقه‌بندی دقیق تصاویر، نتایج حاصل‌شده با نتایج روشهای جنگل تصادفی و شبکه عصبی مصنوعی مقایسه شده است. نتایج شناسایی تغییرات نشان داد که بهکارگیری شبکه یادگیری عمیق پیشنهادی دقت کلی شناسایی تغییرات باینری را به ترتیب به میزان 88/13% و 80/12% نسبت به شبکه عصبی مصنوعی و جنگل تصادفی افزایش میدهد. همچنین بهکارگیری شبکه پیشنهادی دقت کلی نقشه ماهیت تغییرات را به ترتیب به میزان 81/57% و7/65% در مقایسه با جنگل تصادفی و شبکه عصبی مصنوعی افزایش داده است. روشهای جنگل تصادفی و شبکه عصبی مصنوعی علیرغم اینکه توانسته‌اند محل تغییرات را شناسایی کنند اما در ارائه نوع ماهیت تغییرات عملکرد نامناسبی ارائه کردهاند. پرونده مقاله -
دسترسی آزاد مقاله
62 - پیشبینی اثرات تغییر اقلیم بر پراکنش بالقوه گونه بادامک (Amygdalus scoparia) با استفاده از مدلسازی اجماعی در زاگرس مرکزی
مریم حیدریان آقاخانی رضا تمرتاش زینب جعفریان مصطفی ترکش اصفهانی محمدرضا طاطیانپیشبینی اثر تغییر اقلیم بر پراکنش گونه‌های گیاهی با ارزش، امری ضروری در راستای حفاظت و مدیریت آنها محسوب میشود. بادامک (Amygdalus scoparia) یکی از گونه‌های وحشی بادام و بومی ایران است. این مطالعه با هدف پیشبینی اثر تغییر اقلیم بر پراکنش جغرافیایی گونه بادامک در استا چکیده کاملپیشبینی اثر تغییر اقلیم بر پراکنش گونه‌های گیاهی با ارزش، امری ضروری در راستای حفاظت و مدیریت آنها محسوب میشود. بادامک (Amygdalus scoparia) یکی از گونه‌های وحشی بادام و بومی ایران است. این مطالعه با هدف پیشبینی اثر تغییر اقلیم بر پراکنش جغرافیایی گونه بادامک در استان چهارمحال و بختیاری واقع در منطقه زاگرس مرکزی صورت گرفت. پنج روش مدلسازی پراکنش گونه‌ای، شامل مدل خطی تعمیم‌یافته، آنالیز طبقه‌بندی درختی، شبکه عصبی مصنوعی، روش بوستینگ تعمیم‌یافته و جنگل تصادفی در چارچوب روش اجماعی و با استفاده از بسته Biomod در نرم‌افزار R مورد استفاده قرار گرفتند. نتایج مطالعه نشان داد که همه مدلهای مورد استفاده در این مطالعه، مقادیر AUC بالاتر از 9/0 و عملکرد عالی دارا بودند. میانگین دمای خشک‌ترین فصل و بارندگی سالانه در حدود 85 درصد تغییرات پراکنش گونه را توجیه نمودند و بیشترین سهم را در تعیین مطلوبیت رویشگاه گونه داشتند. بر اساس نتایج حاصل از اجماع مدلها، 9 درصد (148680 هکتار) از مساحت استان برای گونه بادامک، دارای تناسب رویشگاهی زیاد تعیین شد. مساحت رویشگاه مطلوب گونه در شرایط آب و هوایی حال حاضر و آینده توسط نرم‌افزار ArcGIS محاسبه گردید. تغییرات پراکنش جغرافیایی گونه در سال 2050 تحت سناریوهای اقلیمی 5/4RCP و 5/8RCP نشان داد که وسعت رویشگاه گونه کاهش می‌یابد (به ترتیب 43 و 59 درصد) و در برخی مناطق نیز شاهد بروز مناطق مستعد وقوع گونه خواهیم بود (به ترتیب 135 و 140 درصد). از نتایج این مطالعه میتوان در برنامه‌ریزی‌های حفاظتی و اصلاحی گونه بادامک استفاده نمود. پرونده مقاله -
دسترسی آزاد مقاله
63 - تفکیک طیفی گونه های مهم باغی با استفاده از شاخص های ابرطیفی و رویکردهای هوش مصنوعی
محسن میرزائی مژگان عباسی صفر معروفی عیسی سلگی روح اله کریمیمطالعه انعکاس طیفی پدیدهها از طریق شاخص های طیفی امکان استفاده بهینه از دامنه وسیع طول‌موج‌های طیفی را در دادههای ابرطیفی فراهم میکند. هدف از تحقیق، معرفی و ارزیابی عملکرد شاخص های طیفی در تفکیک گونه های غالب باغی در استان چهارمحال و بختیاری است. در این تحقیق 150 چکیده کاملمطالعه انعکاس طیفی پدیدهها از طریق شاخص های طیفی امکان استفاده بهینه از دامنه وسیع طول‌موج‌های طیفی را در دادههای ابرطیفی فراهم میکند. هدف از تحقیق، معرفی و ارزیابی عملکرد شاخص های طیفی در تفکیک گونه های غالب باغی در استان چهارمحال و بختیاری است. در این تحقیق 150 نمونه طیفی در محدوده 350 الی 2500 نانومتر، از گونه های انگور، گردو و بادام در انواعی از شرایط برداشت شد و پس از تصحیح اولیه، 30 عدد از مهمترین شاخص های طیفی موجود در این زمینه استخراج شدند. آزمون واریانس و مقایسه میانگین ها جهت شناسایی شاخص های بهینه در تفکیک گونه ها، در سطح 99 درصد اطمینان اجرا شد. سپس از دو رویکرد شبکه عصبی مصنوعی و ماشین بردار پشتیبان جهت ارزیابی عملکرد شاخص ها در تفکیک گونه ها استفاده شد. نتایج آزمون واریانس نشان داد که شاخص های تنش رطوبت، نسبت باند در 1200 نانومتر، شاخص نرمال شده فئوئوفیتین و شاخص جذب سلولز جهت تفکیک گونه های موردمطالعه بهینه هستند. نتایج ارزیابی عملکرد شاخص های معرفی‌شده نتیجه 100 درصد تفکیک گونه‌ها را در دو رویکرد شبکه عصبی مصنوعی و ماشین بردار پشتیبان، در هر دو مرحله آموزش و آزمون نشان داده است. این نتایج لزوم انجام مطالعات طیف‌سنجی را برای تفکیک گونه های باغی پیش از تحلیل دادههای تصویری ابرطیفی به دلیل حجم وسیع و هزینه بیشتر تهیه و تحلیل آنها نشان می دهد. پرونده مقاله -
دسترسی آزاد مقاله
64 - مدل سازی و پهنه بندی پارامترهای کیفیت آب با استفاده از تصاویر ماهواره ای سنتینل-2 و هوش محاسباتی (مطالعه موردی: رودخانه کارون)
کاظم رنگزن مصطفی کابلی زاده محسن رشیدیان حسین دلفانبا توجه به پیشرفت های صورت گرفته در فناوری سنجش‌ازدور، جمع آوری اطلاعات از وضعیت کیفی منابع آب سطحی به وسیله این فناوری ضمن کاهش هزینه و زمان نمونه برداری های سنتی، می تواند تمامی پهنه های آب سطحی را مورد پایش قرار دهد. در این مطالعه قابلیت تصاویر ماهواره سنتینل چکیده کاملبا توجه به پیشرفت های صورت گرفته در فناوری سنجش‌ازدور، جمع آوری اطلاعات از وضعیت کیفی منابع آب سطحی به وسیله این فناوری ضمن کاهش هزینه و زمان نمونه برداری های سنتی، می تواند تمامی پهنه های آب سطحی را مورد پایش قرار دهد. در این مطالعه قابلیت تصاویر ماهواره سنتینل-2 جهت برآورد غلظت پارامترهای اسیدیته، بیکربنات و سولفات موردبررسی قرار گرفت. ابتدا تصاویر ماهواره سنتینل-2 پیش پردازش شد و سپس باندها و شاخص های طیفی مناسبی جهت شناسایی ارتباط معنی دار میان مقادیر هر پارامتر کیفیت آب و تصاویر با استفاده از روش رگرسیون چند متغیره تعیین گردید. در مرحله بعد با بهکارگیری دو مدل شبکه عصبی مصنوعی ANN و مدل سیستم استنتاج فازی-عصبی تطبیق یافته ANFIS، ارتباط میان تصاویر ماهواره سنتینل-2 و پارامترهای کیفیت آب به تفکیک مدلسازی شده و سپس دقت آن ها به ازای مقادیر واقعی محاسبه گردید. نتایج نشان داد که در مدلسازی پارامتر سولفات با استفاده از ماهواره سنتینل-2، مدل ANFIS به ترتیب با خطای نسبی و جذر میانگین مربعات خطا RMSe برابر 0.0773 و 0.8014 نسبت به مدل شبکه عصبی مصنوعی با خطای نسبی و RMSe برابر 0.1581 و 1.2477 دقت بالاتری دارد؛ درحالی‌که در مدلسازی پارامترهای اسیدیته و بیکربنات، نتایج حاصل از مدل شبکه عصبی مصنوعی با خطای نسبی به ترتیب برابر با 0.0064 و 0.0556 و RMSe برابر با 0.0702 و 0.2691 برای هر دو پارامتر بهتر از مدل سیستم استنتاج فازی-عصبی تطبیق یافته با خطای نسبی به ترتیب برابر با 0.0165 و 0.0722 و RMSe برابر با 0.1975 و 0.3307 است. درنهایت با اعمال مدل های تهیه‌شده بر روی تصاویر ماهواره ای، نقشه وضعیت کیفی هر پارامتر در طول قسمتی از رودخانه کارون تهیه گردید. پرونده مقاله -
دسترسی آزاد مقاله
65 - ارزیابی دقت دادههای پهپاد در برآورد میزان خشکیدگی درختان شمشاد (مطالعه موردی: پارک جنگلی سیسنگان- استان مازندران)
محمدرضا کارگر یونس بابایی امیراسلام بنیادپیشینه و هدف پارک جنگلی سیسنگان یکی از زیستگاه های مهم شمشاد خزری در کشور به‌حساب می آید. اما در چند سال اخیر به دلیل بیماری خشکیدگی دچار بحران شده و بسیاری از پایه های شمشاد از بین رفته اند. پایش و مدیریت این منطقه می تواند در اموری مانند کنترل، حفاظت و حمایت این منطقه چکیده کاملپیشینه و هدف پارک جنگلی سیسنگان یکی از زیستگاه های مهم شمشاد خزری در کشور به‌حساب می آید. اما در چند سال اخیر به دلیل بیماری خشکیدگی دچار بحران شده و بسیاری از پایه های شمشاد از بین رفته اند. پایش و مدیریت این منطقه می تواند در اموری مانند کنترل، حفاظت و حمایت این منطقه مؤثر باشد. به دلیل مساحت زیاد پایه های از بین رفته، امکان برآورد مساحت بهصورت دقیق با استفاده از داده های موجود وجود ندارد. اندازه گیری های دستی نیز کاری بسیار زمان‌بر و طاقت فرساست. این امر مستلزم این است تا راهی بیابیم که بهصورت دقیق و خودکار این فرآیند را انجام دهد. پهپادها با استفاده از سنجنده های بسیاری دقیقی (تفکیک مکانی) که دارند، این امکان را فراهم آورده اند. روش های مختلف طبقه بندی نیز از راهکارهایی هستند که می توان به‌منظور تفکیک خودکار درختان خشکیده از درختان سبز به کار گرفت. هدف از این پژوهش، ارزیابی توانایی داده های پهپادهای ارزان قیمت با سنجنده های معمولی در آشکارسازی و پهنه بندی مناطق دچار خشکیدگی اثبات گردد و با توجه به اینکه هزینه پهپادهایی با سنجنده های چند طیفی (باند لبه قرمز و مادون قرمز نزدیک) بسیار زیاد است، بتوان این هزینه را کاهش داد.مواد و روش هاپارک جنگلی سیسنگان در 30 کیلومتری شرق شهرستان نوشهر استان مازندران در عرض جغرافیایی "30 ́ 33 ̊ 36 تا "30 ́ 35 ̊ 36 و طول جغرافیایی "00 ́ 47 ̊ 51 تا "30 ́ 49 ̊ 51 قرارگرفته است. این پارک علاوه بر نقش تفرجی که دارد بسیاری از گونه های گیاهی مهم کشور در آن رشد یافته اند. ازجمله مهمترین این گونه ها می توان به شمشاد خزری اشاره کرد. پهپادی که در این پژوهش استفاده گردید از نوع پهپادهای عمودپرواز است. دوربینی که بر روی این وسیله تعبیه شده است قابلیت ثبت تصاویر 20 مگاپیکسلی را دارد. عملیات تصویربرداری در تاریخ هشتم آذرماه 1396، ساعت 10 صبح انجام پذیرفت که مدت‌زمان آن 45 دقیقه طول کشید. برای نمونه برداری میدانی از منطقه موردمطالعه بازدید به عمل آمد و نقاط مختلف آن ازنظر تراکم پایه های خشکه‌دار شمشاد و درختان سبز مشخص گردید. سپس سه قطعه‌نمونه دایره ای با شعاع 60 متر و مساحت 1.13 هکتار در منطقه طراحی گردید و تراکم پایه های خشکه دار شمشاد و پایه های زنده و سبز در آن ها مشخص گردید. سپس در هر قطعه نمونه در نقاطی که پایه های شمشاد قرار داشتند، 50 نقطه تعلیمی و همچنین در نقاطی که پایه های زنده، پوشش علفی کف و تمشک نیز قرار داشتند، 50 نقطه ثبت گردید. در این پژوهش به‌منظور بررسی میزان دقت تصاویر پهپاد در شناسایی و طبقه بندی مناطق پوشیده از خشکه دار های شمشاد، کوچک‌ترین پایه های خشکه‌دار شمشاد که کمترین وسعت تاج را داشتند نیز ثبت گردید. به دلیل اینکه تصاویر پهپاد احتیاج به تصحیحات هندسی دارند، ابتدا ازنظر هندسی و موقعیت جغرافیایی تصحیح شدند. به‌منظور انجام فرآیند طبقه بندی، وارد نرم افزار ENVI شدند. در هر قطعه‌نمونه 100 نقطه ثبت گردیده بود که 75 عدد از آن ها برای انجام فرآیند طبقه بندی نظارت‌شده و 25 عدد از آن ها نیز برای ارزیابی صحت طبقه بندی استفاده گردید. برای طبقه بندی این تصاویر از سه الگوریتم طبقه بندی نظارت شده شبکه عصبی مصنوعی، حداکثر احتمال و حداقل فاصله به کاربرده شد. در پایان پس از انجام هرکدام از مراحل طبقه بندی، از فیلتر پایین گذر با ابعاد پنجره 3 در 3 پیکسل، برای هموارسازی تصاویر استفاده شد. برای ارزیابی نتایج نیز شاخص های ضریب کاپا و دقت کلی به کار گرفته شد.نتایج و بحث در این تعداد قطعه‌نمونه، 579 پایه اندازه گیری گردید. شمشاد با اختلاف زیادی، بیشترین فراوانی را در منطقه به خود اختصاص داد. پس‌ازآن ممرز و انجیلی و بلوط به ترتیب دررتبه های بعدی قرار دارند. از نتایج حاصل مشخص شد که الگوریتم شبکه عصبی مصنوعی بهترین نتایج را نسبت به دو الگوریتم دیگر داشته است. اما نتایج شبکه عصبی مصنوعی نیز با توجه به شرایط قطعه‌نمونه دارای نوساناتی است. این الگوریتم با دقت کلی 97.47 درصد و ضریب کاپا 0.94 بهترین نتایج را در تفکیک و آشکارسازی خشکه دار های شمشاد در قطعه‌نمونه با غلبه خشکه دارهای شمشاد داشتند. پس از الگوریتم شبکه عصبی مصنوعی، الگوریتم بیشینه شباهت نتایج مطلوب تری را در تفکیک پایه های خشکه‌دار شمشاد از خود نشان داد. الگوریتم کمترین فاصله نتایج مطلوبی از خود نشان داد، اما میزان دقت آن به‌اندازه دو الگوریتم قبل نبود. هر سه الگوریتم در تفکیک پایه ها در قطعه‌نمونه با غلبه پایه های زنده نتایج ضعیف تری را نسبت به دو قطعه‌نمونه دیگر از خود نشان دادند. قطعه‌نمونه با غلبه پایه های زنده و سبز در مقایسه با دو قطعه‌نمونه دیگر پدیدهها و عوارض بیشتری را در خود جای‌داده است و از نظر بافت تصویر نیز در مقایسه با دو قطعه نمونه دیگر تفاوت های زیاد و محسوسی دارد. در این قطعه نمونه علاوه بر وجود پایه های سبز و خشکه دارهای شمشاد، پوشش علفی کف و توده های تمشک نیز به چشم می خورد. در این پژوهش نتایج طبقه بندی و آشکارسازی خشکه دارهای شمشاد با استفاده از الگوریتم شبکه عصبی مصنوعی بسیار بهتر از الگوریتم های بیشینه شباهت و کمترین فاصله بود. ازجمله دلایل بهتر بودن نتایج الگوریتم شبکه عصبی مصنوعی می توان به غیرخطی بودن و ناپارامتریک بودن آن اشاره کرد. اما در طبقه بندی به‌وسیله الگوریتم های سنتی مانند روش های آماری، به دلیل اینکه انعطاف پذیری کمتری دارند، دقت پایین‌تری داشته. انواع پارامتریک روش های سنتی مانند الگوریتم بیشینه شباهت، به خاطر وابستگی به آمار گوسی، درصورتی‌که داده ها نرمال نباشند نمی تواند دقت مطلوبی در طبقه بندی و تفکیک طبقات از یکدیگر داشته باشد. در الگوریتم های سنتی مانند الگوریتم های بیشینه شباهت و کمترین فاصله، داده های آموزشی نقش حیاتی دارند. در این روش ها فرض بر این است که توزیع در داخل نمونه های آموزشی باید نرمال باشد، به‌طوری‌که اگر نتوان این شرط را محیا نمود، دقت طبقه بندی به‌شدت کاهش می یابد. درحالی‌که روش های شبکه عصبی مصنوعی بر اساس ویژگی ها و ساختار خود داده ها عمل می کنند.نتیجه گیری نتایج حاصل از این پژوهش نشان داد که می توان با استفاده از داده ها و تصاویر معمولی یک پهپاد ارزان قیمت به بررسی وضعیت خشکیدگی درختان بعد از فوران بیماری و تعیین مساحت آن پرداخت. برخلاف هزینه های زیادی که به‌منظور خرید سنجنده های گران قیمت به منظور پایش وضعیت پوشش گیاهی صورت می گیرد، می توان از این شیوه های ارائه‌شده در این مقاله، با هزینه های بسیار کمتری اقدام کرد. این روش می تواند در تعیین میزان سطح پوشش های خشکیده کمک شایانی به نهاد های زیربط کند. پرونده مقاله -
دسترسی آزاد مقاله
66 - مقایسة روش های شبکه عصبی مصنوعی، ماشین بردار پشتیبان و شیءگرا در استخراج کاربری و پوشش اراضی از تصاویر لندست 8
فرنوش اسلمی اردوان قربانی بهروز سبحانی محسن پناهندهتهیة نقشه کاربری/پوشش اراضی، برای برنامه ریزی و مدیریت مکانی ضروری است. امروزه تصاویر ماهوره ای و تکنیک های سنجش از دور،به دلیل فرآهم آوردن داده های بهنگام و قابلیت بالای آنالیز تصاویر، کاربرد گسترده ای در تمامی بخش ها از جمله بخش های کشاورزی و منابع طبیعی دارند. در پژو چکیده کاملتهیة نقشه کاربری/پوشش اراضی، برای برنامه ریزی و مدیریت مکانی ضروری است. امروزه تصاویر ماهوره ای و تکنیک های سنجش از دور،به دلیل فرآهم آوردن داده های بهنگام و قابلیت بالای آنالیز تصاویر، کاربرد گسترده ای در تمامی بخش ها از جمله بخش های کشاورزی و منابع طبیعی دارند. در پژوهش حاضر طبقه بندی کننده های شبکه عصبی مصنوعی، ماشین بردار پشتیبان و شیءگرا جهت تهیه نقشةکاربری/پوشش اراضی شهرستان های اردبیل، نیر و نمین مورد ارزیابی قرار گرفت. تصویر سنجندة (OLI) Operational Land Imager لندست 8 (سال 2013) پس از تصحیحات هندسی و توپوگرافیکی تحت این الگوریتم ها قرار گرفته و به 9 طبقة کاربری و پوشش اراضی شامل پهنه های آبی، زراعت آبی، زراعت دیم، چمنزار، برونزدگی سنگی، جنگل، مرتع، عرصه های مسکونی و انسان ساخت و فرودگاه طبقه بندی شد. پس از ارزیابی صحت، صحت کلی برای نقشة حاصل از شبکه عصبی مصنوعی، ماشین بردار پشتیبان و شیءگرا به ترتیب برابر با 91/89، 68/85 و37/94 درصد و مقدار کاپای آن ها به ترتیب 88/0، 82/0 و 93/0 برآورد شد که نشان دهنده برتری روش شیءگرا در مقایسه با دو روش دیگر است. هر سه روش توانستند صحتی قابل قبول برای نقشه ها ی کاربری/پوشش اراضی ارائه دهند. در کل، سه روش طبقه بندی پیشرفته، در منطقة ناهمگن با تغییرات ارتفاعی بیش از 3600 متر با استفاده از نسل جدید تصاویر سنجنده لندست 8 آزمون و مناسب ترین روش تهیه نقشة کاربری/پوشش اراضی معرفی شد. پرونده مقاله -
دسترسی آزاد مقاله
67 - پهنه بندی خطر زمین لغزش با استفاده از روش شبکه عصبی مصنوعی(مطالعة موردی: حوزه سپیددشت، لرستان)
سیامک بهاروند سلمان سوریاین تحقیق با هدف پهنه‌بندی خطر نسبی ناپایداری دامنه ای و وقوع زمین لغزش در حوزه سپیددشت با استفاده از روش شبکه عصبی مصنوعی با ساختار پرسپترون چندلایه و الگوریتم یادگیری پس انتشار خطا صورت گرفته است. به منظور بررسی پایداری دامنه‌ها در این حوزه ابتدا لغزش های حوزه با استف چکیده کاملاین تحقیق با هدف پهنه‌بندی خطر نسبی ناپایداری دامنه ای و وقوع زمین لغزش در حوزه سپیددشت با استفاده از روش شبکه عصبی مصنوعی با ساختار پرسپترون چندلایه و الگوریتم یادگیری پس انتشار خطا صورت گرفته است. به منظور بررسی پایداری دامنه‌ها در این حوزه ابتدا لغزش های حوزه با استفاده از تصاویر ماهواره‌ای TM و +ETM، عکس های هوایی 1:50000 منطقه و بازدیدهای میدانی (سال 1393) شناسایی و ثبت گردیدند. با قطع نقشه‌های عوامل مؤثر بر لغزش با نقشه پراکنش زمین‌لغزش‌ها، تاثیر هر یک از عوامل شیب، جهت شیب، کاربری اراضی، ارتفاع، لیتولوژی، بارندگی، فاصله از گسل، جاده و آبراهه به ناپایداری شیب‌ها در محیط نرم‌افزار ArcGIS®10.1 برآورد گردید. در محیط متلب ساختار مناسب (1-13-9) برای پهنه‌بندی خطر زمین لغزش با استفاده از روش شبکه عصبی مصنوعی با ساختار پرسپترون چندلایه و الگوریتم یادگیری پس انتشار خطا نوشته شد. بر اساس نتایج پهنه بندی خطر زمین لغزش با استفاده از این مدل به ترتیب 18/0، 41/12، 09/14، 85/29 و 52/43% از مساحت منطقه در کلاس‌های خطر خیلی کم، کم، متوسط، زیاد و خیلی زیاد قرار دارند. پرونده مقاله -
دسترسی آزاد مقاله
68 - مدل سازی تغییرات پوشش اراضی با استفاده از شبکه عصبی مصنوعی و زنجیرة مارکف (مطالعة موردی: سواحل میانی استان بوشهر)
مهدی غلامعلی فرد محسن میرزایی شریف جورابیان شوشتریاراضی ساحلی استان بوشهر به علت موقعیت ویژه در صادرات و واردات دریایی، وجود ذخایر نفت و گاز، کشاورزی، وجود نیروگاه هسته‌ای، شرایط مناسب صید و صیادی و جاذبه های گردشگری از اهمیت راهبردی و اقتصادی بالایی برخوردار است. از این رو می بایست از روش های نوین جهت پایش و مدل سازی چکیده کاملاراضی ساحلی استان بوشهر به علت موقعیت ویژه در صادرات و واردات دریایی، وجود ذخایر نفت و گاز، کشاورزی، وجود نیروگاه هسته‌ای، شرایط مناسب صید و صیادی و جاذبه های گردشگری از اهمیت راهبردی و اقتصادی بالایی برخوردار است. از این رو می بایست از روش های نوین جهت پایش و مدل سازی تغییرات در این مناطق استفاده نمود. هدف از این مطالعه، پایش و مدل سازی تغییرات کاربری اراضی در یک دوره 23 ساله (1367-1390) با استفاده از شبکه عصبی مصنوعی و زنجیره مارکف در محیط اکستنشن مدل ساز تغییرات اراضی (LCM) می باشد. بدین منظور از هفت متغیر، سه زیرمدل و دوره واسنجی 1379-1384 جهت مدل سازی تغییرات کاربری اراضی سال 1390 استفاده گردید. پس از ارزیابی صحت مدل با استفاده از آماره کاپا، نقشه پوشش اراضی سال 1395 با استفاده از دوره واسنجی 1390-1384 پیش بینی شد. نتایج نشان داد که در طول دوره مطالعه، تغییرات شدید از اراضی باز به اراضی کشاورزی و رهاسازی زمین های کشاورزی در منطقه مشاهده گردید. از سال 1367 تا 1384 به میزان 76/19715 هکتار به وسعت اراضی کشاورزی افزوده شده و بین سال های 1384 تا 1390 تنها 48/14% از کاربری کشاورزی بدون تغییر مانده است و وسعت زیادی از کشاورزی رهاسازی شده است. از دیگر نتایج این تحقیقی توسعه زیاد کاربری شهری (33/17760 هکتار) است. در این مطالعه LCM توانست 76/0 از تغییرات را بدرستی پیش بینی نماید. به طوری که در سال 1395 به میزان 12000 هکتار افزایش وسعت در توسعه شهری منطقه پیش بینی شده است. پرونده مقاله -
دسترسی آزاد مقاله
69 - آنالیز حساسیت فرآسنجه های موثر بر نوسانات جمعیت سن زمستان گذران با استفاده از شبکه عصبی مصنوعی
زهرا دوستی ناصر معینی نقده عباسعلی زمانی لیلا ندرلوسن گندم (Hemiptera: Scutelleridae) Eurygaster integriceps Put. مهمترین آفت گندم و جو در ایران میباشد. بررسی‌های مختلف نشان داده‌اند که عوامل مختلف زنده و غیر زنده‌ی محیطی جمعیت‌های این آفت را تحت تاثیر قرار می‌دهند. در این مطالعه رابطه موجود بین تغییرات جمعیت سن زمستا چکیده کاملسن گندم (Hemiptera: Scutelleridae) Eurygaster integriceps Put. مهمترین آفت گندم و جو در ایران میباشد. بررسی‌های مختلف نشان داده‌اند که عوامل مختلف زنده و غیر زنده‌ی محیطی جمعیت‌های این آفت را تحت تاثیر قرار می‌دهند. در این مطالعه رابطه موجود بین تغییرات جمعیت سن زمستان گذران با عوامل مختلف محیطی شامل روز نمونه برداری، میانگین دمای روزانه، میانگین رطوبت نسبی، سرعت باد، جهت باد، ارتفاع از سطح دریا، میانگین بارش مورد بررسی قرار گرفت. دادههای مزرعه‌ای طی دو سال از دو مزرعه آبی گندم به مساحت یک هکتار در شهرستان چادگان جمع آوری شدند. در این تحقیق شبکه عصبی مصنوعی از نوع پرسپترون چند لایه با الگوریتم پس انتشار خطا و تکنیک یادگیری مارکوارت لونبرگ برای در نظر گرفتن تاثیر همزمان متغیرهای محیطی بر نوسانات سن زمستان گذران، مورد استفاده قرار گرفت. پس از آنالیز حساسیت چهار ورودی شامل متوسط دمای روزانه و رطوبت نسبی، سرعت باد و روز نمونه برداری به عنوان ورودی‌های تأثیر گذار انتخاب شدند. نتایج نشان داد شبکه عصبی با دو لایه مخفی، هفت نرون در لایه مخفی اول و سه نرون در لایه مخفی دوم، تابع فعال سازی از نوع سیگموئید، درصد دادههای 60، 30، 10 به ترتیب برای آموزش، آزمون و ارزیابی برای پیش بینی نوسانات جمعیت سن مادر به کار رود (94/0= R2). پرونده مقاله -
دسترسی آزاد مقاله
70 - پیشگویی شاخص سمیت LD50 در مشتقات آنیلین)حاوی ترکیبات علف‌‌کش( با روشهای محاسباتی
عصمت محمدی نسب مرتضی رضاییدر دهه های گذشته، استفاده از روش های محاسباتی با پارامترهای اعتبار سنجی دقیق برای تعیین خواص فیزیکی- شیمیایی ترکیبات، به عنوان جایگزین اقتصادی و زیست محیطی باصرفه جویی در زمان و حذف هزینه های بالا مورد توجه بسیاری از پژوهشگران قرارگرفته است. در این مطالعه، به بررس چکیده کاملدر دهه های گذشته، استفاده از روش های محاسباتی با پارامترهای اعتبار سنجی دقیق برای تعیین خواص فیزیکی- شیمیایی ترکیبات، به عنوان جایگزین اقتصادی و زیست محیطی باصرفه جویی در زمان و حذف هزینه های بالا مورد توجه بسیاری از پژوهشگران قرارگرفته است. در این مطالعه، به بررسی ارتباط مقادیر لگاریتمی سمیت LD50 (log (LD50)(molkg-1))با توصیف گرهای مولکولی برای 60 نوع از مشتقات آنیلین (شامل ترکیبات علف کش) پرداخته شده است. بعد از ترسیم ساختار این ترکیبات با استفاده از نرم افزار 05 Gauss View و بهینه سازی آنها با کمک نرم افزار 09 Gaussian با روش **G++311-6/B3LYP توصیف گرهای مولکولی استخراج شدند. به کمک ژنتیک الگوریتم، توصیف گرهای نامناسب حذف شده و بهترین آن ها برای مدل های رگرسیون خطی چندگانه و شبکه عصبی مصنوعی مورداستفاده قرار گرفتند. نتایج حاصل از این مدل نشان داد که روش شبکه عصبی مصنوعی با کمترین خطا و بالاترین ضریب تعیین نسبت به روش رگرسیون خطی چندگانه برای پیش بینی لگاریتم سمیت (molkg-1)LD50 مشتقات آنیلین از برتری بالایی برخوردار است. پرونده مقاله -
دسترسی آزاد مقاله
71 - مطالعه ارتباط کمی ساختار- فعالیت برای پیشبینی شاخص LD50 در آفت‌کش‌های ارگانوفسفات
عصمت محمدی نسب مینا کیانپورسموم ارگانوفسفات از جمله سموم شیمیایی خطرناک برای سلامت انسان محسوب می شوند. بسیاری از محققین، با وجود رعایت اصول ایمنی و جلوگیری از مواجهه با خطرات ناشی از استفاده از ترکیبات شیمیایی، به منظور بررسی میزان سمیت ترکیبات ارگانوفسفات در تماس با این سموم قرار دارند و احتم چکیده کاملسموم ارگانوفسفات از جمله سموم شیمیایی خطرناک برای سلامت انسان محسوب می شوند. بسیاری از محققین، با وجود رعایت اصول ایمنی و جلوگیری از مواجهه با خطرات ناشی از استفاده از ترکیبات شیمیایی، به منظور بررسی میزان سمیت ترکیبات ارگانوفسفات در تماس با این سموم قرار دارند و احتمال جذب این سموم از طریق پوست وجود دارد. مطالعه ارتباط ساختار - فعالیت با کمک رو ش ها و مدل های تئوری پیش بینی کننده، با صرف حداقل وقت و هزینه، امکان دست یابی به داده ها، اطلاعات و خواص فیزیکی- شیمیایی ترکیبات مورد نظر را فراهم می نماید. در این مطالعه، روش های رگرسیون خطی چندگانه و شبکه عصبی مصنوعی با مدل پرسپترون چند لایه با هدف بررسی ارتباط کمی شاخص سمیت LD50با برخی توصیف گرهای مولکولی، در برخی ترکیبات ارگانوفسفات به کار گرفته شد. بررسی مقادیر ضرایب همبستگی و میزان جذر خطای مجذور میانگین مدل های پیشنهادی در این مطالعه نشان داد که روش شبکه عصبی مصنوعی در پیش بینی شاخص سمیت LD50 در ترکیبات ارگانوفسفات نسبت به روش رگرسیون خطی چندگانه، از برتری بسیار بالایی برخوردار می باشد. پرونده مقاله -
دسترسی آزاد مقاله
72 - پیش بینی LD50 در مشتقات کربوکسیلیک اسید با مدل های رگرسیون خطی چندگانه و شبکه عصبی مصنوعی
عصمت محمدی نسب فهیمه محماییدر این تحقیق، از طریق مطالعه رابطه ساختار-فعالیت به پیش بینی مقادیر سمیت مشتقات کربوکسیلیک اسید پرداخته شده است. ابتدا مقادیر LD50 برای مجموعه ای از ترکیبات مورد مطالعه با استفاده از منابع علمی معتبر استخراج گردید و ساختار آنها به کمک نرم‌افزار گوس ویو 05 رسم شده و با ن چکیده کاملدر این تحقیق، از طریق مطالعه رابطه ساختار-فعالیت به پیش بینی مقادیر سمیت مشتقات کربوکسیلیک اسید پرداخته شده است. ابتدا مقادیر LD50 برای مجموعه ای از ترکیبات مورد مطالعه با استفاده از منابع علمی معتبر استخراج گردید و ساختار آنها به کمک نرم‌افزار گوس ویو 05 رسم شده و با نرم‌افزار گوسین09 به روش هارتری فاک و سری پایه G21-3 بهینه شدند. سپس با استفاده از نرم افزار دراگون توصیف‌گرهای مولکولی استخراج گردیدند. به کمک ژنتیک الگوریتم و روش برگشتی توصیف‌گرهای نامناسب حذف شده و بهترین آنها برای مدلهای رگرسیون خطی چندگانه و شبکه عصبی مصنوعی مورد استفاده قرار گرفت. دقت پیش بینی مدل نهایی توسط ضرایب آماری مورد بحث قرار گرفت. اعتبارسنجی تقاطعی و نیز اعتبارسنجی خارجی مدل های پیش بینی همبستگی بسیار بالا را بین مقادیر تجربی و مقادیر پیش بینی گروه های آموزش آزمون و اعتبارسنجی در روش شبکه عصبی مصنوعی نشان داد. مشخص گردید که روش شبکه عصبی مصنوعی با خطای کمتر و ضریب تعیین بالاتر نسبت به روش رگرسیون خطی چندگانه از برتری قابل توجه ای برخوردار می باشد. مدل پیشنهادی می تواند برای پیش بینی log(LD50) ترکیبات جدید کربوکسیلیک اسید مفید واقع گردد. پرونده مقاله -
دسترسی آزاد مقاله
73 - مدل ریاضی میزان انرژی مورد نیاز و سنیتیک خشک‌کردن اسطوخودوس با استفاده از شبکه عصبی مصنوعی
محمد یونسی الموتی حمید خفاجه محمد زارعینگیاهی دارویی چندین ساله به ارتفاع حدود نیم‌متر است که در نواحی مختلف ایران می‌روید. خشک‌کردن یکی از قدیمی‌ترین روشهای نگهداری مواد است. استفاده از شبکههای عـصبی در طراحـی و انتخاب شرایط کاری بهینه و کنترل خشک‌کن می تواند به کار رود. در این مطالعه به بررسی پارامترهای م چکیده کاملگیاهی دارویی چندین ساله به ارتفاع حدود نیم‌متر است که در نواحی مختلف ایران می‌روید. خشک‌کردن یکی از قدیمی‌ترین روشهای نگهداری مواد است. استفاده از شبکههای عـصبی در طراحـی و انتخاب شرایط کاری بهینه و کنترل خشک‌کن می تواند به کار رود. در این مطالعه به بررسی پارامترهای مختلف خشک‌کردن، ارزیابی مدلهای ریاضی جهت تعیین بهترین مدل، ارزیابی توپولوژی‌های مختلف شبکه عصبی مصنوعی MLP جهت تعیین بهترین شبکه برای گیاه اسطوخودوس با خشک‌کن مایکروویو با محدوده توان 1000-100 وات و فرکانس 2450 مگاهرتز در چهار سطح توان 300، 500، 700 و 900 وات پرداخته شده است. از شبکه عصبی مصنوعی MLP برای پیشبینی ارتباط بین پارامترهای سینتیک خشک‌کردن (نسبت رطوبت و نرخ خشک-شدن) و بازده انرژی مصرفی با تغییرات توان مصرفی مایکروویو با بکارگیری نرم افزار استاتیستیکا استفاده شد. از بین مدلهای برازش شده، مدل میدیلی به عنوان بهترین مدل با توجه به معیارهای R 2، 2 χ و RMSE انتخاب شد. سطوح توان مایکروویو بر مدت زمان خشک شدن تأثیر داشت، به‌طوری‌که زمان خشک شدن برای توان 900 وات 3 دقیقه و برای توان 300 وات 11 دقیقه به دست آمد. به منظور پیشبینی پارامترهای سینتیک خشک‌کردن و بازده انرژی مصرفی، شبکه MLP دارای یک ورودی و سه خروجی به طور موفقیت‌آمیزی مورد استفاده قرار گرفت. نتایج به طور کلی نشان داد که شبکه عصبی مصنوعی MLP یک ابزار بسیار قدرتمند در پیشبینی پارامترهای سینتیک خشک‌کردن و بازده انرژی مصرفی گیاه دارویی اسطوخودوس بر اساس مقادیر توان مصرفی مایکروویو است. پرونده مقاله -
دسترسی آزاد مقاله
74 - ارتباط کمی ساختار-فعالیت بر روی یک سری از مشتقات ایمیدازو [1 و 2-a ] پیریدین کربوکسامید به عنوان عوامل ضد سل
محسن نکوئی نیا سعید یوسفی نژادمقاومت بیماری سل به دارو همچنان یکی از مهمترین چالش های پیش رو در درمان این بیماری عفونی است و بنابراین کشف و توسعه داروهای جدید موثر ضد سل همواره مورد توجه محققان است. در این مطالعه، تحلیل ارتباط کمی ساختار-فعالیت (QSAR) بر روی یک سری از مشتقات ایمیدازول[1 و2- a] پیرید چکیده کاملمقاومت بیماری سل به دارو همچنان یکی از مهمترین چالش های پیش رو در درمان این بیماری عفونی است و بنابراین کشف و توسعه داروهای جدید موثر ضد سل همواره مورد توجه محققان است. در این مطالعه، تحلیل ارتباط کمی ساختار-فعالیت (QSAR) بر روی یک سری از مشتقات ایمیدازول[1 و2- a] پیریدین کربوکسامید به عنوان عوامل ضد سل اعمال شد. فعالیت بیولوژیکی 18 ترکیب با روش های رگرسیون خطی چندگانه و شبکه عصبی مصنوعی برآورد شد. چهار توصیف کننده مولکولی (nCl، MATS8m، BELe4 وGATS8e) با استفاده از رگرسیون خطی چندگانه گام به گام انتخاب شدند. بهترین نتایج شبکه عصبی مصنوعی با الگوی 5-5-1 آموزش داده شده با الگوریتم پس انتشار رو به جلو به دست آمد. یک مجموعه آزمون حاوی 5 ترکیب برای ارزیابی توانایی پیشبینی مدل استفاده شد. نتایج نشان داد که رویکرد شبکه عصبی مصنوعی در مقایسه با رگرسیون خطی چندگانه قدرت پیش بینی بهتری را ارائه می دهد. بر اساس نتایج این مطالعه، الکترونگاتیوی، جرم اتمی و هندسه مولکولی عوامل مهم کنترل کننده فعالیت ضد سل هستند. پرونده مقاله -
دسترسی آزاد مقاله
75 - حساسیت به حرکات توده ای خاک با استفاده از شبکه عصبی مصنوعی،منطق فازی و رگرسیون چند متغیره (مطالعه موردی: حوضه گرماب رود ساری)
محمد ابراهیم عفیفی ابوالفضل بهنیافرحرکت رو به پایین توده‌ای از خاک یا سنگ در اثر نیروی ثقل در دامنه‌ها زمین لغزش نامیده میشود. شناسایی مناطق حساس به زمین لغزش و خطرات آن یکی از گام های اول در مدیریت منابع طبیعی و برنامه ریزی توسعه است.هدف از این مطالعه، پیش بینی خطر زمین لغزش در حوضه گرماب رود ساری با اس چکیده کاملحرکت رو به پایین توده‌ای از خاک یا سنگ در اثر نیروی ثقل در دامنه‌ها زمین لغزش نامیده میشود. شناسایی مناطق حساس به زمین لغزش و خطرات آن یکی از گام های اول در مدیریت منابع طبیعی و برنامه ریزی توسعه است.هدف از این مطالعه، پیش بینی خطر زمین لغزش در حوضه گرماب رود ساری با استفاده از مدل شبکه عصبی مصنوعی، رگرسیون چند متغیره، روش منطق فازی. موقعیت زمین لغزش ها از طریق مشاهدات میدانی و عکس های هوایی شناسایی شد. در مرحله بعد، عوامل احتمالی موثر بر زمین لغزش مانند ارتفاع، سنگ شناسی، شیب، جهت شیب، فاصله از رودخانه، فاصله از جاده ها و فاصله از گسل ها، مقدار بارندگی و استفاده از زمین، تعیین شده اند. سپس، با استفاده از روش رگرسیون چند متغیره برای تعیین اهمیت هر معیار، به وقوع زمین لغزش در منطقه مورد مطالعه، اعمال شد. نتایج نشان می دهد که بیشترین تاثیر شیب، فاصله زمین و فاصله از جاده است. برای ارزیابی مدل ها، منحنی عملکرد نسبی (ROC) و سطح زیر آن (AUC) مورد استفاده قرار گرفت.نتایج بدست آمده نشان می دهد دقت 5/91٪ برای مدل وزن شبکه عصبی مصنوعی، دقت 90/3٪ برای مدل رگرسیون چند متغیر، دقت 86/2٪ برای مدل گام فازی، دقت 86٪ برای مدل اشتراک فازی، دقت 83/4٪ برای مدل جامعه فازی و دقت 80/7٪ برای مدل AHP. همچنین نتایج شاخص SCAI نشان دهنده میزان بیشتری از پایداری است. نقشه نهایی مربوط به مدل شبکه عصبی و رگرسیون چند متغیره نسبت به دو مدل دیگر است. پرونده مقاله -
دسترسی آزاد مقاله
76 - Evaluation of Khorramshahr wastewater treatment plant using neural and artificial networks and support vector machine and the possibility of using it for agricultural purposes
علی ایران فر علیرضا نیکبخت شهبازی رضا جلیل زاده ینگجهIn this research, neural and artificial network and support vector machine have been used to evaluate the wastewater of Khorramshahr treatment plant. Also, the possibility of using the city's sewage for agricultural purposes was investigated. In this study, the monthly چکیده کاملIn this research, neural and artificial network and support vector machine have been used to evaluate the wastewater of Khorramshahr treatment plant. Also, the possibility of using the city's sewage for agricultural purposes was investigated. In this study, the monthly values of BOD, COD, TS and TSS that were required in this study were used and also these values were used to evaluate the wastewater of Khorramshahr treatment plant for use in agriculture. The application of artificial neural network model is also possible to predict the quality of effluent from wastewater treatment plants. The selected ANN (LM) model had good accuracy in estimating BOD5. However, this model had poorer performance in predicting maximum values. Using a two-stage network search optimization algorithm, the optimal values of the characteristics of the SVM model, namely ɛ, C and γ, were obtained as 0.037, 13 and 1.472, respectively. Finally, according to the results obtained in this study, the SVM model was recommended for BOD5 time prediction for Khorramshahr refinery. According to the results obtained from the qualitative analysis of treated wastewater, effluent from BOD5 removal is equal to 88%, COD is equal to 92%, TDS is equal to 70% and TSS removal is equal to 27%. Khorramshahr wastewater treatment plant effluent salinity was measured with a minimum salinity of 208, maximum 3050 and an average of 1544 micromoles per centimeter. Therefore, the effluent of the city's wastewater treatment plant is in group C3, acceptable water. Based on the amount of sodium in the effluent of the treatment plant for irrigation of wheat, barley, soybeans, figs, olives, poplar and the like, according to the Wilcox diagram, there are no restrictions on the use of this effluent. پرونده مقاله -
دسترسی آزاد مقاله
77 - Determining water quality along the river with using evolutionary artificial neural networks (Case Study, Karoon River , Shahid Abbaspur-Arab Asad reach)
محمد نیکو مهدی نیکو تیمور بابائی نژاد آزاده امیری قدرت الله رستم پورRivers are important as the main source of supply for drinking, agriculture and industry.However, drinking water quality in terms of qualitative parameters, is the most important variable. Studias and predicting changes in quality parameters along a river, are one of th چکیده کاملRivers are important as the main source of supply for drinking, agriculture and industry.However, drinking water quality in terms of qualitative parameters, is the most important variable. Studias and predicting changes in quality parameters along a river, are one of the goals of water resources planners and managers. In this regard, many water quality models in order to maintain better water quality management are developed. The artificial neural network models that are inspired by the structure of the human brain, as the best option will be investigated and evaluated. In this research was done on the Karoon River, the largest river in the country and using the parameters in the stations along the river (Shahid Abbaspur-Arab Asad reach). To this end , discharge , month , along river and electrical conductive in the measured in Shahid Abbaspur , Pole Shalu , Gotvand and Arab Asad station were considered as the input model and using neural network model , sodium adsorption ratio (SAR) and total dissolve salts (TDS) were measured in the same stations.Including those in this study as a new method has been used to determine water quality parameters are simultaneously at several stations.In order to optimize each of evolutionary artificial neural network models was used genetic algorithm.The results showed that chosen artificial neural network model to station non-linear regression model of skills , flexibility and more accurate in productivity water quality in rivers is capable. پرونده مقاله -
دسترسی آزاد مقاله
78 - Prediction of scour dimension in the Plunge Pools below Outlet Bucket with Artificial intelligence method
علی لشکرآرا سارا خرم زادهAccurate prediction of sediment scour hole dimensions downstream of hydraulic structures, e.g. the outlet bucket, is a complex and not straight forward engineering problem encountered worldwide. Because of the complexities of the study, its comprehensive, simultaneous i چکیده کاملAccurate prediction of sediment scour hole dimensions downstream of hydraulic structures, e.g. the outlet bucket, is a complex and not straight forward engineering problem encountered worldwide. Because of the complexities of the study, its comprehensive, simultaneous including water flow, sediment and applying all of the effective variables involved in scouring it is not easy possible. Dimensions of a scour hole are usually determined by empirical equations which their validation is limited by experimental conditions. As constructing physical models has its own difficulty, determining of scour hole parameters has been applied in this paper for a collection of previous experimental studies. Two artificial intelligence techniques (ANN & ANFIS) are used and the results are compared with empirical equation for maximum scour holes using nonlinear regression method. Artificial Neural Network (ANN) simply represents interconnection of neurons, each of which carries out the task of combining the input, determining its strength by comparing the combination and finding out the result. On the other hand, ANFIS is a hybrid scheme which uses the learning capability of the ANN to derive the fuzzy rules with membership functions. The results showed that maximum error caused by applying ANFIS techniques in estimating scour hole dimensions was 5.2 percent while the error in neural network model was 10.38 percent. The significance of different parameters was discussed and a simple, innovative formula was proposed. This formula is an interesting tool for the engineering community due to its preferences for estimating the parameters of complex phenomena like erosion procedures. It has been established that scour estimations could be improved if soft computation is used in place of the traditional formulae. پرونده مقاله -
دسترسی آزاد مقاله
79 - Forecasting and Sensitivity Analysis of Monthly Evaporation from Siah Bisheh Dam Reservoir using Artificial neural Networks combined with Genetic Algorithm
آزاده محمدیان شوئیلی حسن فتحیان مهدی اسدی لورEvaporation process, the main component of the water cycle in nature, is essential in agricultural studies, hydrology and meteorology, the operation of reservoirs, irrigation and drainage systems, irrigation scheduling and management of water resources. Various methods چکیده کاملEvaporation process, the main component of the water cycle in nature, is essential in agricultural studies, hydrology and meteorology, the operation of reservoirs, irrigation and drainage systems, irrigation scheduling and management of water resources. Various methods have been presented for estimating evaporation from free surface including water budget method, evaporation from pan and experimental equations that each of these methods is coupled with the restriction and measurement error. Early the new technique using Artificial Neural Networks (ANNs) based on artificial intelligence has been widely used in various scientific fields, particularly water engineering. In this study, the amount of monthly evaporation from the Siah Bisheh dam reservoir was forecasted up 3 next month using Multi-Layer Perceptron (MLP), Radial Basis Function (RBF) and Feed Forward (FF), of ANNs. The genetic algorithm was used for efficient input variables selection and number of neurons in hidden layer of ANNs. The results showed that the correlation coefficient between measured and computed outputs using RBF, MLP and FF models were 0.92%, 0.90% and 0.88% respectively in the estimation and forecasting of evaporation from the dam reservoir. Therefore the RBF model had more precision rather than MLP and FF models in the estimation and forecasting of monthly evaporation. The results of sensitivity analysis showed that the monthly evaporation from the dam reservoir up 3 next month had most sensitivity to the time of evaporation per month, air pressure on ground surface in 2, 3 and 1 months ago, wind speed on 1000mb pressure in 3 and 2 months ago and air temperature on 300mb pressure in current time respectively. پرونده مقاله -
دسترسی آزاد مقاله
80 - طراحی مدل هوشمند بهینه سازی نگهداری و تعمیرات پیش‌گیرانه در تعامل با تولید در صنعت نساجی و پوشاک با بهره برداری از متدولوژی شبکه عصبی مصنوعی و منطق فازی
Sayyed Shahram fatemi Mehrdad Javadi Amir Azizi Sayyed Esmail Najafiدر این تحقیق مدل هوشمند نگهداری و تعمیرات پیش گیرانه بر اساس متدولوژی شبکه عصبی مصنوعی - منطق فازی به کمک محیط هوش مصنوعی نرم افزار متلب بر اساس ساختار مدل پنج لایه شبکههای عصبی مصنوعی فالکن ارائه شده ، روش تحقیق بر مبنای تفکر سیستمی است. پس از تعیین مهمترین عوامل تاث چکیده کاملدر این تحقیق مدل هوشمند نگهداری و تعمیرات پیش گیرانه بر اساس متدولوژی شبکه عصبی مصنوعی - منطق فازی به کمک محیط هوش مصنوعی نرم افزار متلب بر اساس ساختار مدل پنج لایه شبکههای عصبی مصنوعی فالکن ارائه شده ، روش تحقیق بر مبنای تفکر سیستمی است. پس از تعیین مهمترین عوامل تاثیر گذار بر نگهداری و تعمیرات پیش گیرانه به کمک پرسش نامه و بر اساس دیتاست یک نمونه ۲۰۰۰ تایی از داده و گزارشات مدیر کل صنایع نساجی و پوشاک وزارت صمت طی سالهای ۱۳۹۶ تا ۱۴۰۱ (بصورت شش نیم سال) و اعتبار سنجی داده توسط متخصصان نگهداری و تعمیرات ۲۴۰ واحد صنعتی، مدل هوشمند طراحی گردید، که پس از اجرای مدل در کارخانجات نساجی بروجرد به عنوان محل اجرای طرح میتوان ادعا نمود اگر (If ) ؛ پنج عامل "فن‌‌آوری" دارای مقادیر 9129/0 وضعیت خوب (کران بالای تابع عضویت خوب)، "کارکنان" دارای مقادیری 9239/0؛ وضعیت خوب (کران بالای تابع عضویت خوب)، "محیط کار" دارای مقادیر 8859/0؛ نسبتاً خوب (کران پایین تابع عضویت)،"کیفیت" دارای مقادیر 9999/0؛ وضعیت کاملاً خوب (بالاترین تابع )، " استراتژی" دارای مقادیر 9999/0؛ وضعیت خوب (کران بالا) در نگهداری و تعمیرات پیش گیرانه باشند، آنگاه (Then) : وضعیت متغیر خروجی تحقیق یعنی "بهینه سازی عملکرد نگهداری و تعمیرات پیش‌گیرانه (Y) در پنجمین سطح خود یعنی خیلی خوب برابر با 882/0 قرار خواهد داشت. پرونده مقاله -
دسترسی آزاد مقاله
81 - ارائه مدلی برای پیش بینی سودآوری شرکت های داروسازی با استفاده از شبکه عصبی مصنوعی
Ali Habibi Ghaffar Tariهدف این تحقیق تدوین مدلی برای پیشبینی سودآوری شرکتهای داروسازی با استفاده از شبکه عصبی مصنوعی میباشد. روش تحقیق توصیفی- مدلسازی بوده و جامعه آماری این تحقیق کلیه شرکتهای داروسازی فعال عضو بورس اوراق بهادار به تعداد 21 شرکت میباشد. با توجه به محدود بودن جامعه آماری، هیچ چکیده کاملهدف این تحقیق تدوین مدلی برای پیشبینی سودآوری شرکتهای داروسازی با استفاده از شبکه عصبی مصنوعی میباشد. روش تحقیق توصیفی- مدلسازی بوده و جامعه آماری این تحقیق کلیه شرکتهای داروسازی فعال عضو بورس اوراق بهادار به تعداد 21 شرکت میباشد. با توجه به محدود بودن جامعه آماری، هیچ گونه نمونهگیری انجام نشده و کل جامعه مورد پیمایش قرار گرفته است. برای جمع آوری دادهها از اسناد و مدارک شرکتهای داروسازی پذیرفته شده در بورس اوراق بهادار تهران و برای تجزیه وتحلیل دادهها از شبکه عصبی مصنوعی استفاده شده است. نتایج بررسیها نشان میدهد که بهترین مدل پیشبینی سودآوری شرکتهای داروسازی با در نظر گرفتن متغیرهای سرمایه در گردش به کل داراییها، سود(زیان) انباشته به کل داراییها، سود قبل از بهره و مالیات به کل داراییها، ارزش بازار حقوق صاحبان سهام به ارزش دفتری بدهیها، فروش به کل داراییها و نقدینگی بدست آمده است. پرونده مقاله -
دسترسی آزاد مقاله
82 - پیش بینی عملکرد چیلر جذبی تک اثره بخار با استفاده از شبکه عصبی مصنوعی
فرشاد پناهی زاده مهدی حمزه ای محمود فرزانه گردچیلرهای جذبی تک اثره با توجه به دما و فشار منبع حرارتی مورد استفاده به دو نوع تک اثره آب گرم و بخار تقسیم می شوند. که نوع تک اثره بخار آن به دلیل توانایی استفاده از بخار دور ریز در صنایع نفت، گاز و پتروشیمی جهت تولید سرمایش فرآیندی و تهویه مطبوعی دارای کاربرد بیشتری است چکیده کاملچیلرهای جذبی تک اثره با توجه به دما و فشار منبع حرارتی مورد استفاده به دو نوع تک اثره آب گرم و بخار تقسیم می شوند. که نوع تک اثره بخار آن به دلیل توانایی استفاده از بخار دور ریز در صنایع نفت، گاز و پتروشیمی جهت تولید سرمایش فرآیندی و تهویه مطبوعی دارای کاربرد بیشتری است. در تحقیق حاضر در خصوص پیش بینی عملکرد چیلر جذبی تک اثره بخار از شبکه عصبی مصنوعی استفاده شده که نسبت به روشهای مدلسازی ترمودینامیکی دارای سرعت بالاتر و هزینه محاسباتی کمتری است. شبکه عصبی پرسپترون چند لایه با الگوریتم پس انتشار خطا، تابع محرک تانژانت هیپربولیک و روش آموزش لونبرگ-مارکوارت با تعداد 15285 داده و شاخص ارزیابی میانگین مربع خطا بکار برده شده است. ورودی های شبکه عصبی مصنوعی به ترتیب دمای آب برج خنک کننده ورودی، دمای آب سرمایشی ورودی، دمای بخار ورودی، دمای آب سرمایشی خروجی و راندمان مبدل حرارتی محلول هستند و خروجی های شبکه عصبی نیز ضریب عملکرد و انرژی حرارتی مصرفی چیلر می باشند. نتایج حاصل از تحقیق حاضر نشان می دهند که روش شبکه عصبی مصنوعی توانایی پیش بینی ضریب عملکرد و انرژی حرارتی مصرفی چیلر جذبی تک اثره را با میانگین مربع خطا به ترتیب 7-10×183/3 و 8-10×466/7 دارا می باشد که حاکی از دقت بالای این روش در پیش بینی عملکرد چیلر جذبی است. پرونده مقاله -
دسترسی آزاد مقاله
83 - براورد رواناب با استفاده از استنتاج عصبی فازی و رگرسیون درحوضه ی آبریز دز
غزاله احمدیان احمدآباد محمود ذاکری نیری صابر معظمی گودرزیتخمین دبی جریان در حوضه آبریز، به دلیل تاثیر ان در مدیریت منابع آب، می تواند نقش اقتصادی مهمی داشته باشد.در این تحقیق، ازمدل های(ANN)،(SVR)و(ANFIS) جهت پیش بینی رواناب حوضه آبریز دزاستفاده شده است. همبستگی بین ایستگاه ها بررسی و ایستگاههای کمندان،زورآباد و دره تخت به دل چکیده کاملتخمین دبی جریان در حوضه آبریز، به دلیل تاثیر ان در مدیریت منابع آب، می تواند نقش اقتصادی مهمی داشته باشد.در این تحقیق، ازمدل های(ANN)،(SVR)و(ANFIS) جهت پیش بینی رواناب حوضه آبریز دزاستفاده شده است. همبستگی بین ایستگاه ها بررسی و ایستگاههای کمندان،زورآباد و دره تخت به دلیل همبستگی اندک با ایستگاههای اطراف،حذف شدند سپس به دلیل عدم بررسی دخالت انسانی، با استفاده از نرم افزارxlstatروند ایستگاهها بررسی و ایستگاههای فاقد روند انتخاب شدند.جهت ارزیابی عملکرد مدل ها ازضریب همبستگی(R)،ضریب نش-ساتکلیف (NSE)وریشه ی میانگین مربعات خطا(RMSE)استفاده شده است.نتایج این تحقیق حاکی از برتریANFISبا رویکردکلاسترینگ نسبت به رویکرد شبکه بندی است.مدل های(ANN)،(ANFIS)و(SVR) توانایی خوبی در شبیه سازی جریان حوضه آبریز دز داشته اند. پرونده مقاله -
دسترسی آزاد مقاله
84 - پیشبینی الگوی توزیعBemisia tabaci G. (Hem.: Aleyrodidae ) با استفاده از شبکه عصبی مصنوعی بهینه شده توسط الگوریتم حرکت تجمعی ذرات
علیرضا شعبانی‌نژاد بهرام تفقدینیابا پدید آمدن تکنیک های آماری قوی و شبکه های عصبی، مدل های پیش بینی کننده پراکنش آفات به سرعت در اکولوژی توسعه پیدا کرده است. این پژوهش به منظور پیش بینی و ترسیم نقشه توزیع Bemisia tabaci G. با استفاده از شبکه های عصبـی پرسپترون چنـد لایه (MLP) ترکیب شده با حرکت تجمع چکیده کاملبا پدید آمدن تکنیک های آماری قوی و شبکه های عصبی، مدل های پیش بینی کننده پراکنش آفات به سرعت در اکولوژی توسعه پیدا کرده است. این پژوهش به منظور پیش بینی و ترسیم نقشه توزیع Bemisia tabaci G. با استفاده از شبکه های عصبـی پرسپترون چنـد لایه (MLP) ترکیب شده با حرکت تجمعی ذرات در سطح مزرعه خیار انجام شد. داده های مربوط به جمعیت این آفت از طریق نمونه برداری از 100 نقطه از سطح مزرعه شهرستان رامهرمز در سال 1396 به دست آمد. به منظور ارزیابی قابلیت شبکه های عصبی مورد استفاده در پیش بینی توزیع از مقایسه آماری پارامتر هایی مانند واریانس، توزیع آماری و میانگین بین مقادیر پیش بینی شده مکانی توسط شبکه عصبی و مقادیر واقعی آن ها استفاده شد. نتایج نشان داد که در فاز های آموزش و آزمایش بین مقادیر ویژگی های آماری واریانس، توزیع آماری و میانگین مجموعه داده های واقعی و پیش بینی شده مکانی این آفت توسط شبکه عصبی ترکیب شده، تفاوت معنی داری وجود نداشت. نقشه های ترسیم شده نشان داد که توزیع این آفت تجمعی است و امکان کنترل متناسب با توزیع مکانی را در مزرعه دارد. پرونده مقاله -
دسترسی آزاد مقاله
85 - مقایسه و پیش بینی داده های آزمایشگاهی راندمان حرارتی مبدل دو لوله ای با نانو سیال اکسید آهن توسط شبکه های عصبی مصنوعی
محمد اختری مجتبی میرزایی داریوش خسروی مهددر این بررسی راندمان حرارتی مبدل دو لوله ای با نانو سیال آب – Fe3O4 در اعداد رینولدز21000-2000 و کسر های حجمی بین(0.1-0.4% v/v) توسط شبکه عصبی مصنوعی ( ANN ) و همبستگی با استفاده از داده های آزمایشگاهی ارزیابی و پیش بینی شده است . سایز نانوذره اکسید آهن در حدود 20 چکیده کاملدر این بررسی راندمان حرارتی مبدل دو لوله ای با نانو سیال آب – Fe3O4 در اعداد رینولدز21000-2000 و کسر های حجمی بین(0.1-0.4% v/v) توسط شبکه عصبی مصنوعی ( ANN ) و همبستگی با استفاده از داده های آزمایشگاهی ارزیابی و پیش بینی شده است . سایز نانوذره اکسید آهن در حدود 20 نانومتر می باشد . عکس برداری SEM از نانو ذرات نیز برای روشن شدن پایداری و همگن بودن سوسپانسیون ارائه شده است . عدد رینولدزو کسرهای حجمی متفاوت نانو سیال اکسید آهن به عنوان داده های آزمایشی برای ANN استفاده شده است . از شبکه عصبی پیش رو با دو لایه و الگوریتم آموزشی پسا انتشار خطا – لونبرگ مارکوارت (BP-LM) برای پیش پارامترهای انتقال حرارت استفاده شد. 70درصد دادها در مجموعه آموزشی و15درصد دادها در مجموعه ارزیابی و مابقی به عنوان داده ای تست در راستای جلوگیری از بیش برازش شبکه و بررسی کارایی نهایی شبکه مورد استفاده قرار گرفت . به علاوه ، بر اساس داده های آزمایشگاهی و استفاده از شبکه عصبی مصنوعی ، داده های پیش بینی شده توسط شبکه های عصبی با نتایج آزمایشگاهی که توسط مبدل حرارتی دو لوله ای اندازه گیری شده همخوانی بسیار خوبی دارد. میزان صحت سنجی کلی توسط مقدار مربع خطا(MSE) و ضریب همبستگی(R2) برای راندمان مبدل حرارتی دو لوله ای به ترتیب 0001/0 و996/0 می باشد که نشان از موفق بودن این پیش بینی می باشد. پرونده مقاله -
دسترسی آزاد مقاله
86 - مطالعه مدول یانگ، چقرمگی و انرژی شکست کامپوزیت های تقویت شده با نانوذرات اکسید روی به روش های درخت تصمیم، شبکه عصبی مصنوعی و سطح پاسخ
عبدالرضا علوی قره باغ علی دادرسی ساسان فولادپنجهدر این مقاله، چقرمگی شکست(KIC)، انرژی شکست(GIC) و مدول یانگ(E) کامپوزیت‌های استایرن آکریلونیتریل با محتوای 24 و 34 درصد آکریلونیتریل که با نانوذرات اکسید روی تا سقف 1 درصد حجمی تقویت شده، مورد بررسی قرار گرفته است. پارامتر درصد حجمی به عنوان پارامتر موثر بر خواص مذکور ل چکیده کاملدر این مقاله، چقرمگی شکست(KIC)، انرژی شکست(GIC) و مدول یانگ(E) کامپوزیت‌های استایرن آکریلونیتریل با محتوای 24 و 34 درصد آکریلونیتریل که با نانوذرات اکسید روی تا سقف 1 درصد حجمی تقویت شده، مورد بررسی قرار گرفته است. پارامتر درصد حجمی به عنوان پارامتر موثر بر خواص مذکور لحاظ گردیده است. همچنین این پارامتر به عنوان پارامتر ورودی جهت مدلسازی نتایج به روشهای درخت تصمیم، شبکه عصبی مصنوعی و سطح پاسخ در نظر گرفته شده است. نتایج تجربی نشان میدهد که افزودن نانوذرات اکسید روی در برخی موارد باعث افزایش و در برخی دیگر باعث کاهش خواص مکانیکی میشود. همچنین مقایسه نتایج آزمایشگاهی و مدلسازی نشان می-دهد که روش سطح پاسخ مرتبه دو بهترین پیش بینی را دارد. علاوه بر آن، مقدار بهینه چقرمگی شکست در 34 درصد حجمی آکریلونیتریل و 1/0 درصد حجمی اکسید روی مشاهده شده است که برابر MPa.m1/2283/2 است. بهترین مقدار انرژی شکست نیز در 34 درصد حجمی آکریلونیتریل و 33/0درصد وزنی اکسید روی بدست آمد که معادل J/m21101 میباشد. همچنین مقدار بهینه مدول یانگ در 31 درصد حجمی آکریلونیتریل و 5/0 درصد حجمی اکسید روی بدست آمده که برابر GPa 281/4 است. پرونده مقاله -
دسترسی آزاد مقاله
87 - پیش بینی اثر لقی سیستم دوار در حضور و غیاب عیوب مکانیکی با استفاده از شبکه عصبی و الگوریتم ازدحام ذرات
مجتبی حسنلولقی تکیه گاه های موتور و یاتاقان ها سیستم را با کوپلینگ 4 نوع مختلف عیب ابتدا با استفاده از روش تبدیل سریع فوریه فرکانس ها و جابجایی های عمودی شفت در محل دو یاتاقان استخراج نموده و سپس اثر لقی تکیه گاه ها را در حالت حضور و عدم حضور عیوب دیگر مورد بررسی قرار میگیرد. حال چکیده کامللقی تکیه گاه های موتور و یاتاقان ها سیستم را با کوپلینگ 4 نوع مختلف عیب ابتدا با استفاده از روش تبدیل سریع فوریه فرکانس ها و جابجایی های عمودی شفت در محل دو یاتاقان استخراج نموده و سپس اثر لقی تکیه گاه ها را در حالت حضور و عدم حضور عیوب دیگر مورد بررسی قرار میگیرد. حال برای دستیابی به یک مدل بهینه از شبکه عصبی بهمراه الگوریتم بهینه سازی ازدحام ذرات تک هدفه استفاده می کنیم بدین صورت که یکبار فرکانس های سیستم معیوب و بدون بعنوان ورودی شبکه عصبی معرفی میگردند و خروجی مطلوب آن فرکانس سیستم در حالتی که سیستم هیچ گونه عیبی ندارد مدلسازی می شود و سپس در مرحله بعد فرآیند قبل جهت مدل سازی بیهنه با شبکه عصبی را با استفاده از جابجایی های معیوب(وروی شبکه عصبی) و جابجایی سیستم (ورودی مطلوب) مورد ارزیابی قرار میگیرد. پرونده مقاله -
دسترسی آزاد مقاله
88 - مدلسازی لوله های انتقال گاز با شبکه های عصبی مصنوعی به منظور تشخیص عیوب آنها
علی جودکی مرتضی محمدظاهری احسان جمشیدیاین مقاله معرفی رویکرد جدید برای عیب یابی خطوط لوله انتقال گاز با استفاده از شبکه عصبی مصنوعی به کمک امواج مکانیکی است که این روش بسیار ارزان تر و آسان تر از روش اولتراسوند است. که در حال حاضر مشغول به کارمی باشد. این خطوط معمولا در شرایط محیطی سخت و دور از دسترس و در م چکیده کاملاین مقاله معرفی رویکرد جدید برای عیب یابی خطوط لوله انتقال گاز با استفاده از شبکه عصبی مصنوعی به کمک امواج مکانیکی است که این روش بسیار ارزان تر و آسان تر از روش اولتراسوند است. که در حال حاضر مشغول به کارمی باشد. این خطوط معمولا در شرایط محیطی سخت و دور از دسترس و در مسافت های طولانی قرار دارند و استفاده از سیستم های که بصورت آنی و دقیق بتوانند عیب ها و نشتی های این لوله را گزارش دهند حیاتی می باشد.روش ارائه شده شامل مدل سازی یک قطعه لوله 2 اینچی به طول 50 متر در نرم افزار آباکوس6.121است. سپس در نرم افزار اجزاء محدود مدل اجزاء محدود بدست آورده شده است. سپس برای تایید و اعتبار سنجی به مدل اجزاء محدود، قطعه تحت تست مودال قرار گرفته و بعد از تایید مدل شبیه سازی عیب ها که شامل ایجاد 15 سوراخ به شعاع یک میلی متر در فاصله های سه متری است بر روی مدل اجزاء محدود انجام شده است.سپس با گرفتن ارتعاشات(شتاب) لوله در حالت سالم و حالت با عیب و انتقال داده ها شتاب به حوزه فرکانس انجام می شود سپس با استفاده از امضای مکانیکی عیوب ،اختلاف شتاب بین دو مدل سالم و معیوب محاسبه می شود.در مرحله بعد با استفاده از تکنیک های آماری داده های بدست آمده را بصورت مطلوب کاهش می دهیم وسپس شبکه عصبی مصنوعی پایه شعاعی (RBFN) و شبکه عصبی مصنوعی پرسپترون چند لایه (MLP) برای تخمین مکانی عیب آموزش داده می شود. نتایج بدست آمده قابلیت شبکه های عصبی طراحی شده در تخمین موقیعت عیب را به خوبی نشان می دهد. پرونده مقاله -
دسترسی آزاد مقاله
89 - عیب یابی سر سیلندر خودرو با استفاده از امواج مکانیکی و هوش مصنوعی
مجتبی دوست محمدی مرتضی محمدظاهری احسان جمشیدیایمنی قطعات و ماشین آلات برای کاربران آن ها امری مهم تلقی می شود و عیوب قطعات به عنوان یکی از مهم ترین عوامل تهدید کننده سلامتی قطعات همواره مورد توجه بوده است. در این مقاله روشی نو جهت استفاده از شبکه عصبی مصنوعی بر پایه عیب یابی سرسیلندر خودرو پراید به کمک امواج مکانی چکیده کاملایمنی قطعات و ماشین آلات برای کاربران آن ها امری مهم تلقی می شود و عیوب قطعات به عنوان یکی از مهم ترین عوامل تهدید کننده سلامتی قطعات همواره مورد توجه بوده است. در این مقاله روشی نو جهت استفاده از شبکه عصبی مصنوعی بر پایه عیب یابی سرسیلندر خودرو پراید به کمک امواج مکانیکی ارائه شده است. در ابتدا سرسیلندر خودرو با جزئیات کامل مدلسازی شده است و سپس در نرم افزار اجزاء محدود مدل اجزاء محدود بدست آورده شده است. سپس برای تایید و اعتبار سنجی به مدل اجزاء محدود، قطعه تحت تست مودال قرار گرفته و بعد از تایید مدل شبیه سازی عیب ها بر روی مدل اجزاء محدود انجام شده است. با شبیه سازی اعمال نیرو بر مدل (FEM) سیگنال شتاب – زمان دو مدل سالم و معیوب برای هر عیب محاسبه می شود. و با استفاده از امضای مکانیکی عیوب (اختلاف شتاب بین دو مدل سالم و معیوب) و آموزش آن به یک شبکه عصبی مصنوعی پرسپترون چند لایه (MLP) که اختلاف سیگنال شتاب را به موقیعت عیب ارتباط می دهد. عیب یابی سرسیلندر خودرو (تخمین مکانی عیب) صورت گرفته است. نتایج بدست آمده قابلیت شبکه عصبی طراحی شده در تخمین موقیعت عیب را به خوبی نشان می دهد پرونده مقاله -
دسترسی آزاد مقاله
90 - آشکارسازی تغییرات کاربری اراضی و عوامل مؤثر بر آن با استفاده از شبکه عصبی مصنوعی(مورد مطالعه: شهرستان تالش)
شهرام امیرانتخابی فرهاد جوان حسن حسنی مقدمتهیه و ارزیابی نقشه‌های کاربری اراضی و شناخت توان و استعداد اراضی منبع مهم اطلاعاتی برای اتخاذ سیاست‌های اصولی و تدوین برنامه‌های توسعه به شمار می رود. بنابراین در این تحقیق هدف، آشکارسازی روند تغییرات کاربری اراضی و تعیین عوامل موثر بر آن در شهرستان تالش با استفاده از چکیده کاملتهیه و ارزیابی نقشه‌های کاربری اراضی و شناخت توان و استعداد اراضی منبع مهم اطلاعاتی برای اتخاذ سیاست‌های اصولی و تدوین برنامه‌های توسعه به شمار می رود. بنابراین در این تحقیق هدف، آشکارسازی روند تغییرات کاربری اراضی و تعیین عوامل موثر بر آن در شهرستان تالش با استفاده از تصویر ماهواره ای LANDSAT سنجنده +ETM در سال 1382 و تصویر سنجنده OLI مربوط به سال 1396 است. پس از انجام پیش پردازش های لازم، به منظور بالا بردن قدرت تفکیک مکانی تصاویر از روش IHS جهت ادغام تصویر پانکروماتیک و چندطیفی هر دو سنجنده استفاده شد. طبقه بندی تصاویر به صورت نظارت شده و از روی تصاویر ادغام شده که دارای قدرت تفکیک مکانی 15 متر بوده، با الگوریتم شبکه عصبی مصنوعی انجام شد. نتایج نشان داد که کاربری های اراضی جنگلی و کشاورزی در بازه زمانی 14 سال در شهرستان تالش روند کاهشی داشته است و برعکس کاربری های انسان ساخت در حال افزایش است. به دلیل افزایش روبه رشد جمعیت در شهرستان مورد مطالعه و نیز نیاز انسان به فضای بیشتر برای سکونت، منجر به توسعه فیزیکی شهر در جهات پیرامونی خود گردیده است که این عامل موجب بهره برداری از اراضی کشاورزی و جنگلی شده است. بنابراین برای حفظ عرصه‌های طبیعی، تثبیت و قانونی کردن کاربری اراضی در دستور کار متخصصان و مسئولان کشور قرار گیرد. پرونده مقاله -
دسترسی آزاد مقاله
91 - پهنه بندی مناطق در معرض پیشروی سطح آب دریا در اثر تغییر اقلیم (مطالعه موردی: بندر شهید رجایی)
حمید گوهرنژادبراساس آخرین یافته‌ها افزایش سطح آب اقیانوس‌ها و دریاها متاثر از پدیده تغییر اقلیم میباشد و این افزایش سطح آب دریاهای آزاد اثرات مستقیم بر زندگی ساحل‌نشینان خواهد داشت. در مطالعه حاضر اثرات تغییراقلیم بر افزایش سطح آب در تنگه هرمز مورد بررسی قرار گرفته است. برای پیش‌ب چکیده کاملبراساس آخرین یافته‌ها افزایش سطح آب اقیانوس‌ها و دریاها متاثر از پدیده تغییر اقلیم میباشد و این افزایش سطح آب دریاهای آزاد اثرات مستقیم بر زندگی ساحل‌نشینان خواهد داشت. در مطالعه حاضر اثرات تغییراقلیم بر افزایش سطح آب در تنگه هرمز مورد بررسی قرار گرفته است. برای پیشبینی تغییرات سطح آب در منطقه مذکور از متغییرهای اقلیمی استفاده گردیده است که براساس روش رگرسیون گام‌به‌گام انتخاب شده‌اند. اثرات تغییر اقلیم با مدل چرخه عمومی جو تحت عنوان CGCH3 که شامل دو سناریوی تغییر اقلیم A1B و A2 میباشد، ارزیابی شده است. برای بررسی ارتباط بین متغیرهای اقلیمی و تغییرات سطح دریا مدل شبکه عصبی مصنوعی-موجک مورد استفاده قرار گرفته است. نتایج بیانگر میزان افزایش سطح آب دریا تا انتهای قرن حاضر در مجاورت تنگه هرمز برای سناریوی تغییر اقلیم A1B بین 64 تا 75 سانتیمتر و برای سناریوی تغییر اقلیم A2 بین 90 تا 105 سانتیمتر میباشد. همچنین نواحی ساحلی که تحت تاثیر افزایش ارتفاع آب قرار خواهند گرفت نیز بر روی نقشه مشخص گردید که نشان میدهد تغییرات سطح آب در این منطقه دارای آسیب‌پذیری بالایی نخواهد بود. پرونده مقاله -
دسترسی آزاد مقاله
92 - تعیین مقدار کربن آلی کل با استفاده از تصویر ماهواره ای و مدل شبکه عصبی مصنوعی(منطقه مورد مطالعه: کوه میش شهرستان گچساران)
کامران مجردمقدار کربن آلی کل موجود در سنگ منشاء منابع هیدروکربن یکی از پارامتر های حائز اهمیت در ارزیابی آن است. بنابراین لازم است تا با روشی خصوصیات سنگ منشاء برآورد گردد. برای برآورد خصوصیات سنگ منشاء روشهای مختلفی وجود دارد. یکی از ابتدایی‌ترین روش‌ها استفاده از روش سنتی است ک چکیده کاملمقدار کربن آلی کل موجود در سنگ منشاء منابع هیدروکربن یکی از پارامتر های حائز اهمیت در ارزیابی آن است. بنابراین لازم است تا با روشی خصوصیات سنگ منشاء برآورد گردد. برای برآورد خصوصیات سنگ منشاء روشهای مختلفی وجود دارد. یکی از ابتدایی‌ترین روش‌ها استفاده از روش سنتی است که بسیار هزینه‌بر و زمان‌بر میباشد، لذا محققان به دنبال روشهای کاراتر میباشند. با توجه به پتانسیل بالای سنجش از دور و محدوده‌های طیفی VIR,VNIR این امکان فراهم تا خصوصیات سنگ منشاء را در سطح وسیع‌تری و با هزینه کمتر برآورد نمود. روشهای کمی و کیفی مختلفی جهت ایجاد ارتباط بین مقدار غلظت عناصر سنگ منشاء و طیف حاصل از دادههای سنجش از دور موجود میباشد. که در این تحقیق سعی در برآورد مقدار غلظت کربن آلی کل سنگ منشاء با استفاده از تصویرسنجنده OLI لندست 8 و با بهره‌گیری از مدل شبکه عصبی مصنوعیMLP شده است.بدین منظور باند 5 محدوده طیفی(885/0-845/0) با ضریب همبستگی پیرسون 62/0 بهترین ورودی برای شبکه عصبی انتخاب شده است. شبکه عصبی مصنوعی با تعداد 5 نورون در لایه مخفی با 79/0R2= و0081/0 RMSE= برای تهیه نقشه کربن آلی کل انتخاب گردید. پرونده مقاله -
دسترسی آزاد مقاله
93 - ارزیابی عملکرد سازمان با استفاده از دو رویکرد تلفیقی DEA-BSC و ANN-DEA
رضا احتشام‏ راثی عیسی ناجیبا توجه به اهمیت کارایی در پیشبرد جوامع و جایگاهی که سازمان های امروزی به خود اختصاص داده ، استفاده از ارزیابی عملکرد به ضرورتی گریز ناپذیر تبدیل شده است. از این رو در این پژوهش سعی بر آن داریم تا با استفاده از تلفیق دو رویکرد DEA-BSC و ANN-DEA به بررسی کارایی سازمان ها چکیده کاملبا توجه به اهمیت کارایی در پیشبرد جوامع و جایگاهی که سازمان های امروزی به خود اختصاص داده ، استفاده از ارزیابی عملکرد به ضرورتی گریز ناپذیر تبدیل شده است. از این رو در این پژوهش سعی بر آن داریم تا با استفاده از تلفیق دو رویکرد DEA-BSC و ANN-DEA به بررسی کارایی سازمان ها بپردازیم. در این راستا، ابتدا به تعیین شاخص های عملکرد به کمک تکنیک کارت امتیازی متوازن در چهار بعد مشتری، فرآیندهای داخلی، رشد و یادگیری و مالی پرداخته، سپس با استفاده از روش تحلیل پوششی داده ها و مدل غیر شعاعی SBM و نرم افزار GAMS کارایی سازمان را محاسبه نمودیم. در گام بعد به کمک شاخص های بدست آمده از روش DEA-BSC و با استفاده از رویکرد تلفیق تحلیل پوششی داده ها و شبکه عصبی مصنوعی و با بهره گیری از نرم افزار MATLAB میزان کارایی را مجدداً محاسبه نمودیم. در گام آخر به مقایسه دو روش DEA-BSC و ANN-DEA پرداخته که نتایج بدست آمده از مقایسه دو روش مذکور حاکی از سازگاری دو مدل در بحث کارایی و برتری روش ANN-DEA به لحاظ زمان کوتاه پاسخگویی و تعیین کارایی و امکان استفاده از الگوریتم آموزش دیده آن برای اندازه گیری کارایی واحدهای سازمانی در آینده است. پرونده مقاله -
دسترسی آزاد مقاله
94 - بهبود کارایی پیشبینی بهره وری با رویکرد طراحی آزمایشات تاگوچی (مورد مطالعه : صنایع غذایی ایران)
سید محمود زنجیرچی مهدی حاتمی منش حمیدرضا کدخدازاده سیدعلی محمد بنی فاطمهپیش بینی بهره وری عاملی بسیار مهم در طراحی استراتژی های یک سازمان است. یکی از روش های پیش بینی بهره وری، استفاده از شبکه های عصبی مصنوعی است که به علت دارا بودن پارامترهای قابل تنظیم، به کارگیری آن نیاز به تجربه و مهارت زیادی دارد و اغلب از آزمایش و خطا برای دستیابی به چکیده کاملپیش بینی بهره وری عاملی بسیار مهم در طراحی استراتژی های یک سازمان است. یکی از روش های پیش بینی بهره وری، استفاده از شبکه های عصبی مصنوعی است که به علت دارا بودن پارامترهای قابل تنظیم، به کارگیری آن نیاز به تجربه و مهارت زیادی دارد و اغلب از آزمایش و خطا برای دستیابی به سطوح مناسب این پارامترها استفاده می شود. این مقاله، الگویی 7 مرحله ای جهت انتخاب مقادیر مناسب پارامترهای قابل تنظیم شبکه عصبی ارائه می دهد تا با به کارگیری طراحی آزمایش های تاگوچی کارایی در پیش بینی بهره وری بهبودمی یابد. به کارگیری این روش در پیش بینی بهره وری صنایع غذایی ایرن، سطوح بهینۀ پارامترها را که منجر به مطلوب ترین پیش بینی در شبکه عصبی می شود، بدین شرح ارائه می دهد: تعداد لایه های پنهان: 2 لایه، تعداد نورون هر لایه پنهان: 7 نورون، نرخ یادگیری: 9/0 و تعداد ورودی های شبکه عصبی: شاخص های بهره وری با درجه همبستگی بیشتر از 85/0؛ که از بین عوامل فوق، عامل تعداد لایه های پنهان با سهم مشارکت 18/71% در نتیجۀ آزمایش ها، مهم ترین عامل طراحی شبکه عصبی در پیش بینی بهره وری صنایع غذایی ایران است. در نهایت، نتیجه کلی تحقیق نشان داد که به کارگیری این الگو علاوه بر کاهش زمان و هزینه های پیش بینی، امکان انتخاب استراتژی های رقابتی فراهم می شود. به علاوه این روش با تعیین سهم مشارکت هر یک از پارامتهای قابل تنظیم در نتایج آزمایش، تصمیم گیرندگان را در میزان دقت و توجهی که باید به هر یک از این پارامترها داشته باشند، یاری می رساند. پرونده مقاله -
دسترسی آزاد مقاله
95 - پیشبینی موفقیت توسعه محصول جدید با استفاده از ترکیب تحلیل عاملی و شبکه عصبی مصنوعی
غلامرضا سلطانی فسقندیس علیرضا پویا مصطفی کاظمی زهرا ناجی عظیمیموفقیت محصولات جدید به عنوان برترین عامل برای موفقیت شرکت ها و حتی بقای آنها محسوب می شود. با این حال بررسی های متعدد نشان می دهد که نرخ شکست توسعه محصول جدید به عنوان یک معضل اساسی در بسیاری از شرکت ها مطرح بوده است. شرکت های بسیاری سعی دارند تا قبل از توسعه محصول جدید چکیده کاملموفقیت محصولات جدید به عنوان برترین عامل برای موفقیت شرکت ها و حتی بقای آنها محسوب می شود. با این حال بررسی های متعدد نشان می دهد که نرخ شکست توسعه محصول جدید به عنوان یک معضل اساسی در بسیاری از شرکت ها مطرح بوده است. شرکت های بسیاری سعی دارند تا قبل از توسعه محصول جدید، اقدام به پیش بینی موفقیت توسعه محصول جدید نمایند. بر همین اساس نیز هدف این تحقیق پیش بینی موفقیت توسعه محصول جدید با استفاده از ترکیب روش های تحلیل عاملی و شبکه عصبی مصنوعی در صنایع غذایی و آشامیدنی می باشد. این تحقیق براساس هدف کاربردی و براساس روش انجام کار توصیفی بوده است. جامعه آماری این تحقیق، شرکت های تولید کننده مواد غذایی و آشامیدنی استان آذربایجان شرقی در سال 1394 بوده است. به منظور جمع آوری داده ها در این تحقیق از دو پرسشنامه استفاده شده است که بعد از اطمینان از روایی و پایایی آن در بین جامعه آماری توزیع گردیده است. به منظور تجزیه و تحلیل داده ها در این تحقیق از روش های تحلیل عاملی و شبکه عصبی مصنوعی استفاده شده است. نتایج تجزیه و تحلیل داده ها نشان دهنده وجود شش سازه اصلی مفهوم سازی محصول جدید، گرایش به بازار، گرایش به طراحی، گرایش به عوامل فنی و تکنولوژی، استفاده از منابع و مدیریت توسعه محصول جدید به عنوان عوامل موثر در موفقیت توسعه محصول جدید بوده است. همچنین پیش بینی موفقیت توسعه محصول جدید با استفاده از شبکه عصبی مصنوعی نشان می دهد که شبکه طراحی شده در 81 درصد موارد قادر به پیش بینی صحیح موفقیت توسعه محصول جدید بوده است. پرونده مقاله -
دسترسی آزاد مقاله
96 - ارزیابی پایداری زیست محیطی در نواحی شهری با رویکرد معضل ریزگردها با استفاده از فن تصمیم گیری چندمعیاره تخصیص خطی و شبکه عصبی مصنوعی(مطالعه موردی: اهواز)
یحیی عبدالکریم نیسی محمد ابراهیم عفیفی مرضیه موغلیارزیابی پایداری زیست محیطی، به عنوان یکی از مهمترین ابزار در فرآیند برنامه ریزی توسعه پایدار بوده و لذا توجه به آن در سیاست گذاری ها و برنامه ریزیها امری اجتناب ناپذیر است. هدف این مقاله ارزیابی پایداری زیست محیطی در نواحی شهری با رویکرد معضل ریزگردها با استفاده از فن ت چکیده کاملارزیابی پایداری زیست محیطی، به عنوان یکی از مهمترین ابزار در فرآیند برنامه ریزی توسعه پایدار بوده و لذا توجه به آن در سیاست گذاری ها و برنامه ریزیها امری اجتناب ناپذیر است. هدف این مقاله ارزیابی پایداری زیست محیطی در نواحی شهری با رویکرد معضل ریزگردها با استفاده از فن تصمیم گیری چندمعیاره تخصیص خطی و شبکه عصبی مصنوعی در اهواز است. در این پژوهش ابتدا از طریق مطالعه مبانی نظری پژوهش اقدام به شناسایی معیارهایی که در جهت پایداری زیست محیطی مؤثر است شد. سپس از روش اسنادی و کتابخانه ای و مراجعه به ادارات و سازمان های مختلف در جهت گردآوری اطلاعات بخش تئوریکی استفاده شد. اما جمع آوری اطلاعات اصلی پژوهش، با استفاده از مطالعات میدانی(تکمیل پرسشنامه، مشاهدات و بررسی میدانی) صورت گرفته است. فرآیند تحقیق بدین صورت بود که برای عملیاتی کردن روش شناسی از طریق معیارهای بدست آمده از مطالعه ادبیات مسئله، پرسشنامه ای طراحی و در 8 منطقه در بین مردم به روش تصادفی طبقه ای توزیع گردید. حجم نمونه از کل مناطق بر اساس فرمول کوکران نامحدود در قالب طبقات جمعیتی مناطق تعیین شد. بر این اساس در مجموع 420 نفر عنوان نمونه مورد مصاحبه قرار گرفتند. یافته های تحقیق نشان داد در روش تخصیص خطی، منطقه 2 با وزن 0.1137 در اولویت نخست و مناطق 6، 8، 4 و 1 با وزن 0.1093، 0.0672، 0.0502 و 0.0507 در اولویت های بعدی از لحاظ پایداری زیست محیطی قرار دارند. در روش شبکه عصبی، منطقه است پرونده مقاله -
دسترسی آزاد مقاله
97 - ارزیابی اثرات تغییر اقلیم بر منابع آب حوضه آبریز لار با استفاده از مدل SWAT و مقایسه نتایج آن با شبکههای بیزین و مدلهای هوشمند هیبریدی
مهسا سلیمانی‌پور امیرپویا صرافقرار گرفتن ایران بر کمربند خشک و نیمه‌خشک دنیا و همچنین سوء مدیریت منابع آبی، سبب ایجاد وضعیت هشدار دهنده کمبود آب در بسیاری از مناطق کشور شده است. پژوهش حاضر آثار ناشی از تغییر اقلیم را بر دما، بارندگی و رواناب در دورههای آتی با کمک مدل آماری LARS-WG و مدل مفهومی هیدر چکیده کاملقرار گرفتن ایران بر کمربند خشک و نیمه‌خشک دنیا و همچنین سوء مدیریت منابع آبی، سبب ایجاد وضعیت هشدار دهنده کمبود آب در بسیاری از مناطق کشور شده است. پژوهش حاضر آثار ناشی از تغییر اقلیم را بر دما، بارندگی و رواناب در دورههای آتی با کمک مدل آماری LARS-WG و مدل مفهومی هیدرولوژیکی SWAT برای حوضه آبریز لار مورد ارزیابی قرار میدهد. برای تخمین میزان دبی جریان رودخانه، به بررسی قابلیت عملکرد شبکه بیزین و مدل ترکیبی موجک - شبکه عصبی هم پرداخته میشود. پس از واردکردن اطلاعات بارش و دمای منطقه، نسبت به شبیه‌سازی رواناب برای دو ایستگاه هیدرومتری گزلدره و پلور اقدام شده و رواناب خروجی ایستگاه پلور بهعنوان نقطه کنترل بین سالهای (۱۹79-۲۰۱8) مورد واسنجی و اعتبارسنجی قرار گرفت. به‌منظور ارزیابی کارایی از معیارهای ضریب تبیین و نشر - سا تکلیف استفاده شده است. طبق پیشبینی مدلهای اقلیمی، بیشترین افزایش دما در دوره انتهایی و تحت سناریوی اقلیمی RCP8.5 حدود ۱۰ درصد افزایش دما در فصل بهار و زمستان را نشان میدهد. در نهایت از بین این مدلها، مدل فیزیکی با پیشبینی متوسط سالیانه 6.04 مترمکعب بر ثانیه با توجه به دوره مشاهداتی، کاهش رواناب را نشان داد. پرونده مقاله -
دسترسی آزاد مقاله
98 - بررسی تغییرات زمانی بارش در استان همدان با استفاده از مدلهای آماری و شبکه عصبی مصنوعی
زهره مریانجی حامد عباسیتغییر اقلیم یکی از معضلهای کنونی جامعه بشری است و تهدید و بلای سیاره زمین به شمارمیآید افزایش دمای کره زمین سبب تغییرات ژرف و وسیع در اقلیمهای زمین شده و باعثبروز تغییراتی در زمان و مکان بارش می شود که آسیبهای بسیاری را خصوصاً در دهه اخیروارد کرده است. در این راستا این چکیده کاملتغییر اقلیم یکی از معضلهای کنونی جامعه بشری است و تهدید و بلای سیاره زمین به شمارمیآید افزایش دمای کره زمین سبب تغییرات ژرف و وسیع در اقلیمهای زمین شده و باعثبروز تغییراتی در زمان و مکان بارش می شود که آسیبهای بسیاری را خصوصاً در دهه اخیروارد کرده است. در این راستا این پژوهش با شناخت تغییرات و روند فصل و دوره بارش درگذشته به الگوهای مؤثر بارش در بازههای مختلف زمانی میپردازد و پیش بینی تغییرات درآینده را از روش شبکه عصبی مصنوعی امکان پذیر میکند. در انجام این پژوهش از دادههای- دو ایستگاه سینوپتیک همدان و نوژه استفاده شده دوره آماری مورد مطالعه نیز 92 ساله ) 324924 ( انتخاب شده است. بر اساس یافتههای این پژوهش به نظر میرسد فصل بارندگی درناحیه مرکزی استان همدان در دهه اخیر دیرتر آغاز و دیرتر به پایان میرسد به عبارتی آغازفصل بارندگی در همدان که در فصل پاییز رخ میداد به سمت زمستان میرود و فصل پاییزخشکتر از دورههای قبل است این نشان از جابه جایی فصل بارندگی در این ناحیه است. دراستفاده از روش شبکه عصبی توجه به دو نکته مهم در پیشبینی بارش ضروری به نظرمیرسد یکی دقت پایین شبکه عصبی در پیش بینی دراز مدت بارش است اگر چه این روشدر پیش بینیهای کوتاه مدت دقت بهتری دارد و دیگری اغراق در مقادیر حداقل و حداکثربارش در فصول مختلف سال است. پرونده مقاله -
دسترسی آزاد مقاله
99 - پیشبینی بارش فصلی با حداقل متغیرهای اقلیمی مطالعه موردی: ایستگاه کرمان
فاطمه بیاتانی غلام عباس فلاح قالهری الهام فهیمی نژادپیش بینی بارش و برآورد نزولات جوی، به عنوان یکی از مهمترین پارامترهای اقلیمی در حوزه مدیریت منابع آبی، از اهمیت ویژه ای برخوردار است. بنابراین در این مقاله، امکان کاربرد شبکه عصبی در برآورد بارش با حداقل پارامترهای اقلیمی مورد بررسی قرار گرفت. به این منظور از شبکه عصبی چکیده کاملپیش بینی بارش و برآورد نزولات جوی، به عنوان یکی از مهمترین پارامترهای اقلیمی در حوزه مدیریت منابع آبی، از اهمیت ویژه ای برخوردار است. بنابراین در این مقاله، امکان کاربرد شبکه عصبی در برآورد بارش با حداقل پارامترهای اقلیمی مورد بررسی قرار گرفت. به این منظور از شبکه عصبی پرسپترون چند لایه با قانون پس انتشار خطا و الگوریتم سیگموئید همراه با داده های میانگین رطوبت نسبی(meanHR)، کمینه رطوبت نسبی (minHR)، بیشینه رطوبت نسبی (maxHR)، میانگین دما (meanT)، کمینه دما (minT)، بیشینه دما (maxT)، میانگین فشار (meanP)، کمینه فشار (minP) و بیشینه فشار (maxP) ماه اکتبر ایستگاه هواشناسی سینوپتیک کرمان، طی دوره آماری 2014-1969 به عنوان ورودی مدل استفاده گردید. نتایج نشان داد در صورت کمبود پارامترهای اقلیمی، تنها با اندازه گیری minT و meanT میتوان با خطایی معادل 8/9 میلیمتر، برآورد مناسبی از بارش با استفاده از شبکه های عصبی مصنوعی در منطقه مورد مطالعه به دست آورد. پرونده مقاله -
دسترسی آزاد مقاله
100 - مدلسازی تغییرات کاربری اراضی با استفاده از مدل ساز تغییر سرزمین (LCM ) مطالعه موردی: شهرستان نکا
سیده معصومه فتح الهی رودباری کامران نصیراحمدی مهرداد خانمحمدیتغییرات کاربری به خصوص توسعه شهرها باعث تخریب زیستگاه های طبیعی و کاهش تنوع زیستی می شود. به طور معمول برنامه ریزان شهری جهت کنترل کردن تغییرات کاربری اراضی از روش مدل سازی استفاده می کنند. در این مطالعه، هدف مدل سازی تغییرات کاربری اراضی شهرستان نکا، با استفاده از LCM( چکیده کاملتغییرات کاربری به خصوص توسعه شهرها باعث تخریب زیستگاه های طبیعی و کاهش تنوع زیستی می شود. به طور معمول برنامه ریزان شهری جهت کنترل کردن تغییرات کاربری اراضی از روش مدل سازی استفاده می کنند. در این مطالعه، هدف مدل سازی تغییرات کاربری اراضی شهرستان نکا، با استفاده از LCM(Land Change Modeler) بوده است. جهت به دست آوردن نقشه کاربری اراضی منطقه از تصاویر ماهواره Landsat سنجنده های TM و ETM+ و TIRS_OLI متعلق به سال های 1988 و 2002 و 2016 استفاده گردید. همچنین جهت مدل سازی پتانسیل انتقال با استفاده از شبکه عصبی مصنوعی انجام گرفت. در این مطالعه 5 زیر مدل به همراه 9 متغیر استفاده گردید. سپس جهت پیش بینی تغییرات کاربری سال 2016 از دوره واسنجی 1988تا 2002 و زنجیره مارکف و مدل پیش بینی سخت استفاده شد. در نهایت نیز از نقشه سال های 2002 تا 2016 برای پیش بینی تغییرات کاربری اراضی متعلق به سال 2030 استفاده گردید. صحت مدلسازی با استفاده از ماتریس خطا ارزیابی شد. نتایج نشان داد که در طی سال های 1988 تا 2016 اراضی جنگلی 2297 هکتار کاهش داشته و بیشترین تغییرات مربوط به تبدیل اراضی جنگلی به کشاورزی بوده است. نتایج مدل سازی با استفاده از شبکه عصبی مصنوعی نیز صحت بالایی بالای (69 درصد) داشته است. نتیجه مدل سازی برای سال 2030 نیز نشان داد که مساحت جنگل کاهش میابد و اراضی کشاورزی و مناطق شهری افزایش پیدا می کنند. پرونده مقاله -
دسترسی آزاد مقاله
101 - بررسی هیدروژئوشیمی آب های زیرزمینی دشت شیرامین با استفاده از شبکه عصبی مصنوعی
رضا نوروزی سمیه امامی حامد شیر علی زادهآبهای زیرزمینی از منابع مهم بهره‌برداری از آب در مناطق خشک و نیمه‌خشک میباشند. افزایش مصرف آب ناشی از افزایش جمعیت، باعث کاهش کیفی و کمی آبهای قابل استحصال شده است. هدف از این پژوهش ارزیابی دقت روش شبکه عصبی مصنوعی پرسپستون چندلایه بر کیفیت منابع آب زیرزمینی در دشت شی چکیده کاملآبهای زیرزمینی از منابع مهم بهره‌برداری از آب در مناطق خشک و نیمه‌خشک میباشند. افزایش مصرف آب ناشی از افزایش جمعیت، باعث کاهش کیفی و کمی آبهای قابل استحصال شده است. هدف از این پژوهش ارزیابی دقت روش شبکه عصبی مصنوعی پرسپستون چندلایه بر کیفیت منابع آب زیرزمینی در دشت شیرامین استان آذربایجان‌شرقی میباشد. در مطالعه‌ی حاضر، کیفیت هیدروژئوشیمیایی منابع آب زیرزمینی در دشت شیرامین استان آذربایجان‌شرقی از نظر شرب، کشاورزی و صنعت با استانداردهای ویلکاکس و شولر مورد بررسی قرار گرفت. در ادامه مدل سازی پارامترهای کیفی (TDS)، (EC) و (SAR) آب زیرزمینی با استفاده از شبکههای عصبی مصنوعی انجام شد. با توجه به شاخصهای کیفی Willcox و Schueller آبهای زیرزمینی برای مصارف کشاورزی در حد متوسط بوده و از نظر شرب نامطبوع و غیر قابل شرب میباشند. اکثر نمونه‌ها در کلاس c3s1 و در رده آبهای متوسط قرار می-گیرند. نتایج حاصل حاکی از توانمندی قابل قبول و نتایج رضایت‌بخش مدل شبکه عصبی در پیشبینی کیفیت آب-های زیرزمینی میباشد. پرونده مقاله -
دسترسی آزاد مقاله
102 - سنجش و ارزیابی سطح توسعه یافتگی مناطق روستایی بخش مرکزی شهرستان فلاورجان: کاربرد تحلیل شبکه عصبی مصنوعی
حمید رستگاری مهدی نوری پوردر برنامه‌ریزی‌های توسعه چه در سطح کلان و چه در سطح خرد، بدست آوردن شناخت و درک صحیح از تفاوت‌ها و اختلافات میان مناطق روستایی از نظر امکانات زیرساختی، اجتماعی، اقتصادی و زیست محیطی ضروری است به طوری که این شناخت می تواند به سیاست‌گذاران و تصمیم‌گیران در شناخت توانایی‌ه چکیده کاملدر برنامه‌ریزی‌های توسعه چه در سطح کلان و چه در سطح خرد، بدست آوردن شناخت و درک صحیح از تفاوت‌ها و اختلافات میان مناطق روستایی از نظر امکانات زیرساختی، اجتماعی، اقتصادی و زیست محیطی ضروری است به طوری که این شناخت می تواند به سیاست‌گذاران و تصمیم‌گیران در شناخت توانایی‌ها، تفاوت‌ها و میزان محرومیت مناطق روستایی کمک شایانی بکند تا بدین وسیله نیز توسعه متوازن در مناطق حکم فرما شود. لذا، بر این اساس، هدف پژوهش حاضر، سنجش سطح توسعه یافتگی مناطق روستایی شهرستان فلاورجان بود. پژوهش حاضر به روش پیمایش انجام گرفت. جامعه آماری پژوهش، روستاهای 20 خانوار به بالاتر بخش مرکزی شهرستان فلاورجان بود (26 روستا) که با استفاده از فرمول کوکران 376 خانوار در این روستاها انتخاب شدند. برای جمعآوری دادهها از پرسشنامه محقق ساخته و دادههای ثانویه اتخاذ شده از شناسنامه آبادی سال 1390 استفاده شد. روایی صوری پرسشنامه توسط اعضای هیئت علمی مدیریت توسعه روستایی دانشگاه یاسوج و پایایی آن از طریق ضریب آلفای کرونباخ (65/0 تا 95/0) تأیید شد. برای سنجش و اولویت‌بندی توسعه یافتگی روستاها از 24 شاخص در چهار بعد اجتماعی- فرهنگی، اقتصادی، محیطی و کالبدی- زیرساختی استفاده شد. به منظور تجزیه تحلیل دادهها، ابتدا دادههای خام هنجارسازی شدند و پس از آن با استفاده از شبکه عصبی مصنوعی پرسپترون چند لایه وزن هر یک شاخص‌ها به ترتیب بدست آمد. داده‌پردازی با استفاده از نرم افزار MATLABR2015a و SPSS22 انجام گرفت. یافته‌ها نشان داد که روستاهای جوجیل، جولرستان و زفره به ترتیب رتبه‌های اول تا سوم و روستاهای مهرنجان اتراک و مهرنجان در رتبه‌های آخر از لحاظ توسعه یافتگی قرار داشتند. نتایج کلی پژوهش حاکی از وضعیت نسبتا مطلوب توسعه یافتگی در روستاهای مورد مطالعه بود. پرونده مقاله -
دسترسی آزاد مقاله
103 - پیشبینی سرمای دیررس بهاره با استفاده از شبکه‌ی عصبی پرسپترون چند لایه (MLP) و تاثیر آن در حمل و نقل شهر خرم‌آباد
سعید تقوی گودرزی هانیه امیدزادهسیستم حمل و نقل درون شهری به عنوان ابزار مهم و موتور محرک، توسعه ی شهرها در اقتصاد محلی و منطقه ای به شمار می آید. چرا که اگر جوامع شهری امروز دارای امکانات و زیرساخت های مناسب حمل و نقل شهری نباشند، خسارات جبران ناپذیر اقتصادی را بر خود تحمیل می نماید. در این راستا اقل چکیده کاملسیستم حمل و نقل درون شهری به عنوان ابزار مهم و موتور محرک، توسعه ی شهرها در اقتصاد محلی و منطقه ای به شمار می آید. چرا که اگر جوامع شهری امروز دارای امکانات و زیرساخت های مناسب حمل و نقل شهری نباشند، خسارات جبران ناپذیر اقتصادی را بر خود تحمیل می نماید. در این راستا اقلیم شناسان تلاش می کنند با تجزیه و تحلیل داده های یک یا چند متغییر اقلیمی در گذشته، به قوانین و مدل هایی دست یابند که بر این اساس، وضعیت اقلیم را در آینده پیش بینی کنند. شبکه های عصبی مصنوعی از مؤلفه های هوش مصنوعی است که امروزه به طور وسیع در زمینه مدل سازی و پیش بینی پارامترهای اقلیمی مورد استفاده قرار می گیرد. در این پژوهش، سعی شده با پیش بینی سرمای دیررس بهاره ایستگاه خرم آباد با استفاده از مدل پرسپترون چند لایه (MLP) به تاثیر آن برسیستم حمل و نقل شهری، ضمن آشکارسازی رخداد وقوع، نسبت به کاهش خسارات و اختلالات ناشی از آن به خودروها و تاسیسات زیرساختی حمل و نقل درون شهری و غیره زمینه ای ایجاد نمود تا تدابیر لازم اتخاذ گردد. به منظور دستیابی به این مهم از متغیرهای میانگین ماهانه حداقل و حداکثر دما، میانگین حداقل و حداکثر رطوبت نسبی، مجموع ساعات آفتابی و میانگین مجموع بارش ماهانه طی دوره آماری 28 ساله (2009-1981) جهت پیش بینی دماهای حداقل ماه های آوریل و می سال های 2010 تا 2012 و مقایسه آن با داده های واقعی استفاده گردید. جهت این کار از امکانات و توابع موجود در نرم افزار MATLAB بهره گرفته شد. سپس به بررسی شاخص های عملکرد شبکه از جمله ضریب تعیین و همبستگی و درصد خطای نسبی پرداخته شد. یافته ها بیانگر وقوع یخ بندان بهاره برای 80% احتمال و دوره برگشت 49/1 ساله روز 187 یعنی 7 فروردین ماه است. و حداکثر خطای این مدل با داده های واقعی کم تر از 10/0 درجه سلسیوس است که توانایی قابل توجه مدل شبکه عصبی مصنوعی در مدلسازی پیش بینی دماهای حداقل را نشان می دهد. بنابراین توجه به پدیده های اقلیمی از جمله یخ بندان بر مدیریت و توسعه حمل و نقل شهری تاثیر شایانی می گذارد و باید از نظر کارشناسان این امر در الویت دقت قرار گیرد. پرونده مقاله -
دسترسی آزاد مقاله
104 - پیشبینی قیمت سهام شرکت فرآورده های نفتی پارس با استفاده از شبکه عصبی و روش رگرسیونی مطالعه موردی: قیمت سهام شرکت فرآورده‌های نفتی پارس
سید نظام الدین مکیان فاطمه السادات موسوییکی از راههای تامین سرمایه برای سرمایه‌گذاری، انتشار اوراق قرضه و سهام از طریق بازار بورس میباشد. افراد در این بازار انتظار دستیابی به سود را دارند. اولین و مهمترین عاملی که در اتخاذ سرمایه‌گذاری در بورس فراروی سرمایهگذار قرار دارد عامل قیمت سهام است که به تبع آن مق چکیده کاملیکی از راههای تامین سرمایه برای سرمایه‌گذاری، انتشار اوراق قرضه و سهام از طریق بازار بورس میباشد. افراد در این بازار انتظار دستیابی به سود را دارند. اولین و مهمترین عاملی که در اتخاذ سرمایه‌گذاری در بورس فراروی سرمایهگذار قرار دارد عامل قیمت سهام است که به تبع آن مقوله ارزیابی و پیشبینی قیمت آینده نیز مطرح میشود. فعالان در این بازار درصدد دستیابی و بهکارگیری روشهایی هستند تا با پیشبینی آتی قیمت سهام، سود سرمایه خود را افزایش دهند.مطالعه حاضر با هدف پیشبینی قیمت پایانی سهام- مطالعه موردی شرکت فرآورده‌های نفتی پارس- با به کارگیری دادههای روزانه در دوره زمانی 13/8/1388 تا 11/11/1389 از طریق دو روش شبکه عصبی مصنوعی و رگرسیونی ARIMA صورت پذیرفته است. نتایج به‌دست آمده به وسیله مدل شبکه عصبی دارای خطای کمتر، قدرت توضیح‌دهندگی بالاتر و در نتیجه پیشبینی بهتری را نسبت به روش رگرسیونی نشان میدهد. پرونده مقاله -
دسترسی آزاد مقاله
105 - تخمین استحکام فشاری ماسه ریخته‌گری در مقادیر مختلف رطوبت با استفاده از شبکه عصبی مصنوعی
رامین مشک آبادی غلامرضا مرامی کمال جهانیکیفیت قطعات ریخته‌گری درقالب‌گیری ماسه به‌طور چشم‌گیری به خواص ماسه‌ی مورد استفاده از قبیل استحکام فشاری، نفوذپذیری، سختی قالب و... بستگی دارد که این خواص نیز به پارامترهایی مانند رطوبت، اندازه و شکل دانه ماسه، میزان چسب و... بستگی دارند. در این چکیده کاملکیفیت قطعات ریخته‌گری درقالب‌گیری ماسه به‌طور چشم‌گیری به خواص ماسه‌ی مورد استفاده از قبیل استحکام فشاری، نفوذپذیری، سختی قالب و... بستگی دارد که این خواص نیز به پارامترهایی مانند رطوبت، اندازه و شکل دانه ماسه، میزان چسب و... بستگی دارند. در این مقاله، از شبکه عصبی مصنوعی برای بررسی تاثیر میزان رطوبت در استحکام فشاری ماسه استفاده شده است. آزمایش‌های عملی متعددی برای به‌دست آوردن داده‌های مورد نیاز برای مدل‌سازی صورت گرفته است. مخلوط‌های مختلف ماسه با درصدهای متفاوت رطوبت آماده شده و میزان استحکام فشاری ماسه برای هر کدام از آن‌ها تعیین شد. سپس مدل‌های شبکه عصبی با استفاده از نتایج آزمایش‌ها آموزش و تست شد. نتایج حاصل از شبکه با نتایج آزمایش‌های عملی جدید مورد مقایسه قرار گرفتند که نشان می‌دهند با استفاده از شبکه عصبی با دقت خوبی میتوان استحکام فشاری ماسه را قبل از استفاده برای قالب‌گیری تخمین زد. پرونده مقاله -
دسترسی آزاد مقاله
106 - طراحی مدل پیش بینی ورشکستگی مالی شرکت های پذیرفته شده در بورس اوراق بهادار تهران با استفاده از شبکه های عصبی مصنوعی و مقایسه آن با مدل رگرسیون لوجیت
فرهاد سنچولیبا توجه به نگرانی‌هایی که سرمایه‌گذاران از بازگشت اصل و سود سرمایه دارند و پیامدها و هزینه‌هایی که وقوع ورشکستگی برای شرکت‌ها و اقتصاد کشور و سایر افراد و نهادها می‌تواند ایجاد نماید، طراحی یک مدل قابل اطمینان جهت پیشبینی احتمال وقوع ورشکستگی شرکت‌ها برای راهنمایی برا چکیده کاملبا توجه به نگرانی‌هایی که سرمایه‌گذاران از بازگشت اصل و سود سرمایه دارند و پیامدها و هزینه‌هایی که وقوع ورشکستگی برای شرکت‌ها و اقتصاد کشور و سایر افراد و نهادها می‌تواند ایجاد نماید، طراحی یک مدل قابل اطمینان جهت پیشبینی احتمال وقوع ورشکستگی شرکت‌ها برای راهنمایی برای تصمیم‌گیرندگانی همچون شرکت-های سرمایه‌گذاری، بانک‌ها و دولت ضروری به نظر میرسد. در این پژوهش از روش شبکه عصبی مصنوعی و روش رگرسیون لوجیت جهت پیشبینی ورشکستگی تعدادی از شرکتهای پذیرفته شده در بورس اوراق بهادار تهران طی سالهای 1395 تا 1399 استفاده شده و نتایج با روش رگرسیون لوجیت مقایسه شده است. میزان دقت کلی پیشبینی روش شبکه عصبی مصنوعی برای هریک از سال-های t، t-1، t-2 و t-3 به ترتیب برابر با 55/96 % ، 55/96 % ،24/92 % و 24/92 % و برای روش رگرسیون لوجیت برای همین سال‌ها به ترتیب 94% ، 82/94% ، 51/90% و 06/87% میباشد که نشان داد روش شبکه عصبی مصنوعی از دقت بالاتری نسبت به روش رگرسیون لوجیت برخوردار می باشد. لذا می توان نتیجه گرفت که روش شبکه عصبی مصنوعی ابزار مناسب‌تری برای پیشبینی ورشکستگی شرکت‌ها در اختیار قرار میدهد. پرونده مقاله -
دسترسی آزاد مقاله
107 - کاهش نوسانات زیر سنکرون با استفاده از ادوات D-FACTS با کنترل‌کننده‌های هوشمند
زهرا امینی خویی عباس کارگرهنگامی که یک توربین-ژنراتور به یک خط انتقال طولانی وصل میشود ممکن است عوارض جانبی مانند پدیده SSR در آن به وجود آید. هدف این است که با استفاده از قابلیت‌های جبران کننده سری (DSSC) به عنوان یک عضو از خانواده D- FACTS به کاهش SSR پرداخته شود. برای رسیدن به هدف مورد نظر ا چکیده کاملهنگامی که یک توربین-ژنراتور به یک خط انتقال طولانی وصل میشود ممکن است عوارض جانبی مانند پدیده SSR در آن به وجود آید. هدف این است که با استفاده از قابلیت‌های جبران کننده سری (DSSC) به عنوان یک عضو از خانواده D- FACTS به کاهش SSR پرداخته شود. برای رسیدن به هدف مورد نظر از کنترلکننده فازی، بهینه سازی ازدحام ذرات (PSO) و شبکه عصبی استفاده شده است. بهینه سازی ازدحام ذرات (PSO) بر اساس کنترلکننده میرایی مرسوم (CDC)، منطق فازی بر اساس کنترل میرایی (FLBDC) و شبکه عصبی نیز بر اساس کنترل میرایی با استفاده از آموزش دادههای سرعت و تغییرات سرعت طراحی شده اند. پایداری سیستم از طریق شبیه‌سازی در حوزه زمان و با مطالعه شاخص عملکرد (PI) بر اساس دینامیک سیستم قدرت مورد بررسی قرار گرفته است. نتایج شبیه‌سازی با استفاده از نرم افزار Matlab / Simulinkآورده شده است. موارد مورد مطالعه به منظور نشان دادن این واقعیت است که الگوریتم های مربوطه قادر به کاهش تشدیدهای زیر سنکرون میباشند. نشان داده شده که کنترلکننده فازی و الگوریتم بهینه‌سازی PSOبه همراه شبکه عصبی به خوبی می‌توانند این نوسانات را کاهش دهند. پرونده مقاله -
دسترسی آزاد مقاله
108 - بررسی تخلیه جزیی شینه‌های استاتور ژنراتورهای سنکرون توسط شبکه عصبی
سیدمیثم عزتی فرامرز فقیهی علی معرفیان پوراین مقاله به بررسی و تحلیل تخلیه جزیی بر روی شینه‌های استاتور ژنراتور سنکرون میپردازد. لازم است در ابتدا، با استفاده از تجهیزات مربوطه، اندازهگیری سیگنالهای خاص این نوع تخلیه در دفعات و زمان‌های مختلف انجام گیرد و سپس با توجه به قواعد و استانداردهای موجود به تفسیر آنه چکیده کاملاین مقاله به بررسی و تحلیل تخلیه جزیی بر روی شینه‌های استاتور ژنراتور سنکرون میپردازد. لازم است در ابتدا، با استفاده از تجهیزات مربوطه، اندازهگیری سیگنالهای خاص این نوع تخلیه در دفعات و زمان‌های مختلف انجام گیرد و سپس با توجه به قواعد و استانداردهای موجود به تفسیر آنها پرداخته شود. به منظور تفسیر بهتر نتایج، یک شبکه عصبی مورد آموزش، آزمون و صحت سنجی قرار گرفته است. شبکه عصبی مورد استفاده، شبکه پرسپترون پیشرو دو لایه میباشد که با روش لونبرگ مارکوارت با در نظر گرفتن حداقل‌سازی مربعات خطا به عنوان شاخص عملکرد، مورد آموزش قرار گرفته است. به عنوان تست سیستم نمونه، آزمایش بر روی سه ژنراتور میتسوبیشی نیروگاه گازی شهر ری که هر کدام با توان نامی 85 مگاوات به تولید می‌پردازند، انجام گرفته است. در استاتور ژنراتور سنکرون عموماً وجود تخلیه الکتریکی در محل تماس شینه‌ها با بدنه استاتور، ورقه ورقه شدن داخلی شینه‌ها، وجود لقی در داخل دیواره عایق اصلی و ایجاد تخلیه در داخل شیار نتایج حاصل از تحلیل تخلیه جزیی میباشند پرونده مقاله -
دسترسی آزاد مقاله
109 - پیشبینی پارامترهای چسبندگی الیاف فولادی هوک شکل و بتن با استفاده از شبکههای عصبی مصنوعی
امیر ابراهیم اکبری بقال امیر ابراهیم اکبری بقالبا 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 کاملبا 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
110 - مدلسازی و بررسی‌خصوصیات‌کیفی‌کیک‌حاوی فیبر‌تفاله سیب با استفاده از شبکه‌های‌عصبی‌مصنوعی
مریم ثابت قدم محمد رضا سعیدی اصل اکرم شریفی احمد پدرام نیا محمد آرمیندر این تحقیق به منظور مدلسازی و پیشبینی برخی از خصوصیات فیزیکوشیمیایی کیک کم کالری حاوی فیبر تفاله سیب از درصدهای مختلف فیبر تفاله سیب (0، 5 و 10 درصد)، میزان روغن (57/14، 475/15 و 38/16 درصد) و زمان نگهداری (0، 15 و30 روز) استفاده گردید و میزان چربی، فعالیت آبی، افت چکیده کاملدر این تحقیق به منظور مدلسازی و پیشبینی برخی از خصوصیات فیزیکوشیمیایی کیک کم کالری حاوی فیبر تفاله سیب از درصدهای مختلف فیبر تفاله سیب (0، 5 و 10 درصد)، میزان روغن (57/14، 475/15 و 38/16 درصد) و زمان نگهداری (0، 15 و30 روز) استفاده گردید و میزان چربی، فعالیت آبی، افت وزنی، تعداد کپک و مخمر، صمغیت، قابلیت جویدن، ارتجاعیت و روشنایی کیک نمونه‌ها مورد بررسی قرار گرفت. جهت پیشبینی روند تغییرات از ابزارشبکه‌های عصبی مصنوعی در نرم‌افزار (MATLAB R2013a) استفاده شد. با بررسی شبکههای مختلف شبکه‌ی پس‌انتشار پیشخور با توپولوژی‌های 3-5-8 با ضریب همبستگی بیشتر از 912/0 و میانگین مربعات خطای کمتر از 0115/0 و با بکارگیری تابع فعال‌سازی لگاریتم سیگموئیدی هیپربولیکی، الگوی یادگیری جهنده و چرخه یادگیری 1000 بهعنوان بهترین مدل عصبی مشخص گردید. نتایج حاصل از مدلهای بهینه‌ی انتخاب شده نیز ارزیابی گردید و این مدلها با ضرایب همبستگی بالا (بیش از 689/0) قادر به پیشبینی روند تغییرات بودند. همچنین نتایج نشان داد که با افزایش میزان روغن، محتوای چربی، فعالیت آبی و تعداد کپک و مخمر نمونه‌ها افزایش یافت ولی با افزایش فیبر تعداد کپک و مخمر و افت وزن نمونه‌ها کاهش یافت. در بین خصوصیات مورد اندازهگیری، شبکه عصبی مصنوعی مورد استفاده قرار گرفته بیشترین دقت را برای پیشبینی میزان چربی نمونه‌ها داشت. در پایان میتوان بیان داشت که مدل شبکه عصبی به‌دست آمده در این مطالعه توان پیشبینی خصوصیات کیفی کیک حاوی فیبر تفاله سیب را دارد. پرونده مقاله -
دسترسی آزاد مقاله
111 - مدلسازی استخراج روغن از دانه کتان با پیش تیمار میدان الکتریکی پالسی با استفاده از شبکه عصبی مصنوعی
شکوفه غراوی مسعود بذرافشان معصومه مقیمیدانه کتان یکی از منابع تأمین کننده روغن می باشد که به دلیل میزان بالای اسید چرب ضروری امگا3 مورد توجه قرار گرفته است. در تکنولوژی استخراج روغن، تیماردهی مناسب دانه قبل از استخراج یکی از مهمترین مراحل برای تولید محصولی با کیفیت و راندمان بالا می باشد. در تحقیق حاضر به من چکیده کاملدانه کتان یکی از منابع تأمین کننده روغن می باشد که به دلیل میزان بالای اسید چرب ضروری امگا3 مورد توجه قرار گرفته است. در تکنولوژی استخراج روغن، تیماردهی مناسب دانه قبل از استخراج یکی از مهمترین مراحل برای تولید محصولی با کیفیت و راندمان بالا می باشد. در تحقیق حاضر به منظور مدلسازی فرآیند استخراج روغن دانه‌های کتان به کمک پیش تیمار میدان الکتریکی پالسی، از شدت های 0/5، 3/5 و 6/5 کیلوولت بر سانتیمتر و سرعت های 11، 22 و 33 دور در دقیقه پرس مارپیچی استفاده شد و میزان راندمان استخراج، اسیدیته، دانسیته، رنگ، ضریب شکست، پراکسید و اندیس اسیدی روغن استخراج شده مورد بررسی قرار گرفت. جهت پیشبینی روند تغییرات از ابزار شبکههای عصبی مصنوعی در نرم‌افزار Matlab R2013a استفاده شد. نتایج نشان داد که با افزایش شدت میدان الکتریکی پالسی و افزایش سرعت دورانی پرس، راندمان استخراج روغن، شاخص رنگ، دانسیته، اسیدیته و اندیس اسیدی افزایش یافت. همچنین افزایش شدت میدان الکتریکی پالسی تاثیر معنی داری بر ضریب شکست و میزان پراکسید نداشت در حالی که با افزایش سرعت پرس میزان پراکسید افزایش یافت. با بررسی شبکه های مختلف، شبکه پیشخور با توپولوژی 7-10-2 با ضریب همبستگی بیش از 0/9843 و میانگین مربعات خطا برابر با 0/0001 و با به کارگیری تابع فعال‌سازی لگاریتم سیگموئیدی، الگوی یادگیری لونبرگ _مارکوات و چرخه یادگیری 1000 به عنوان بهترین مدل عصبی مشخص گردید. در نهایت با توجه به نتایج مشخص شد که اعمال پیش تیمار میدان الکتریکی پالسی با شدت 6/5 کیلوولت بر سانتیمتر و سرعت پرس 22 دور در دقیقه منجر به تولید محصول با راندمان مناسب و خصوصیات فیزیکوشیمیایی مطلوب تر گردید. پرونده مقاله -
دسترسی آزاد مقاله
112 - پیشگویی فعالیت رادیکال‌گیرندگی، شمارش آغازگرها و خواص حسی ماست پروبیوتیک حاوی عصاره‌های هیدروالکلی اسپیرولینا پلاتنسیس و گیاه چویل با شبکه عصبی مصنوعی
عبد الرضا آقاجانی سید علی مرتضوی فریده طباطبایی یزدیهدف از پژوهش حاضر، ارزیابی فعالیت‌رادیکال‌گیرندگی، شمارش آغازگرهای ماست و خواص حسی ماست پروبیوتیک کم چرب غنی‌سازی شده با سطوح صفر تا 1 درصد عصاره گیاه چویل و ریزجلبک اسپیرولینا پلاتنسیس طی 21 روز نگهداری در دمای یخچال و پیشبینی نتایج آزمایشات با شبکه عصبی مصنوعی بود چکیده کاملهدف از پژوهش حاضر، ارزیابی فعالیت‌رادیکال‌گیرندگی، شمارش آغازگرهای ماست و خواص حسی ماست پروبیوتیک کم چرب غنی‌سازی شده با سطوح صفر تا 1 درصد عصاره گیاه چویل و ریزجلبک اسپیرولینا پلاتنسیس طی 21 روز نگهداری در دمای یخچال و پیشبینی نتایج آزمایشات با شبکه عصبی مصنوعی بود. به منظور پیشگویی نتایج، شبکه عصبی پرسپترون چند لایه با دو ورودی (غلظت عصاره، زمان نگهداری) و یک خروجی با نرم افزار MATLABR2013a استفاده گردید. مطابق نتایج حاصل، ضریب‌همبستگی فعالیت رادیکال گیرندگی نمونه‌های ماست پروبیوتیک 989/0 تعیین گردید و عصاره چویل تأثیر بیشتری بر افزایش این فعالیت داشت. ضریب همبستگی تعداد لاکتوباسیلوس بولگاریکوس و استرپتوکوکوس ترموفیلوس به ترتیب993/0 و 975/0 تعیین گردید، در عین حال، تعداد باکتری‌ها در روز پایانی، بیش از حداقل تعداد آنها در ماست پروبیوتیک تعیین گردید (107 cfu/ml). ضریب همبستگی برای رنگ، طعم، قوام و پذیرش کلی به ترتیب برابر با 937/0، 984/0، 983/0و 978/0 ارزیابی شد و تیمارهای حاوی عصاره اسپیرولینا، امتیازات حسی بالاتری را در مقایسه با عصاره چویل نشان دادند. نتایج نشان داد که به کمک شبکه‌ای با تعداد 10 نرون در لایه پنهان و با کمک تابع فعال سیگموئیدی هیبربولیکی و درصد دادههای مورد استفاده برای آموزش/آزمون/ارزیابی برابر با60 / 15/ 25 میتوان خواص کیفی ماست پروبیوتیک را پیشگویی نمود. آنالیز حساسیت شبکه عصبی بهینه به خوبی اهمیّت پیش‌گویی‌کنندگی پارامترهای غلظت دو عصاره و زمان نگهداری را بر تغییرات مورد بررسی ماست پروبیوتیک نشان داد. میتوان گفت شبکه عصبی مصنوعی ابزار توانمندی در پیشگویی خصوصیات کیفی ماست پروبیوتیک بوده است. پرونده مقاله -
دسترسی آزاد مقاله
113 - بهینه‌سازی فرآیند آبگیری اسمزی شلیل و مدلسازی پارامترهای آبگیری با کمک شبکه‌ی عصبی مصنوعی
حمید بخش آبادی معصومه مقیمی زهرا دولت آبادی سحر اصغری پوردر این تحقیق بهینه‌سازی فرآیند خشک کردن اسمزی میوه شلیل با هدف بیشینه کردن کاهش آب و کمینه نمودن جذب مجدد آب توسط روش سطح پاسخ و همچنین تخمین پارامترهای آبگیری با کمک شبکه عصبی انجام گرفت. اثرات سه فاکتور دمای محلول اسمزی در محدوده‌ی 40 تا 60 درجه سانتی‌گراد ، مدت زمان چکیده کاملدر این تحقیق بهینه‌سازی فرآیند خشک کردن اسمزی میوه شلیل با هدف بیشینه کردن کاهش آب و کمینه نمودن جذب مجدد آب توسط روش سطح پاسخ و همچنین تخمین پارامترهای آبگیری با کمک شبکه عصبی انجام گرفت. اثرات سه فاکتور دمای محلول اسمزی در محدوده‌ی 40 تا 60 درجه سانتی‌گراد ، مدت زمان تماس محصول و محلول اسمزی در محدوده 60 تا 240 دقیقه و غلظت ساکارز در محلول اسمزی در محدوده‌ی 40 تا 60 درجه بریکس با کمک طرح مربع مرکزی[1] روی پارامترهای کاهش آب، جذب مواد جامد، نسبت کاهش آب به جذب مواد جامد و میزان کاهش وزن نمونه‌ها بررسی گردید. بررسی نتایج نشان داد شرایط بهینه برای فرآیند آبگیری اسمزی زمانی ایجاد می شود که دمای محلول اسمزی 40 سانتی‌گراد، مدت زمان تماس محصول با محلول 240 دقیقه و غلظت محلول اسمزی 26/40 درصد ساکارز باشد. در شرایط بهینه شاخص های کاهش آب، درصد جذب مواد جامد، نسبت کاهش آب به درصد جذب مواد جامد و میزان کاهش وزن نمونه‌ها به ترتیب73/40، 56/2 ،97/16 و 73/43 درصد محاسبه شد. همچنین نتایج مدلسازی شبکه عصبی مصنوعی نشان داد که شبکه ای با یک لایه پنهان حاوی 4 نورون یعنی چیدمان 4-4-3 (شبکه ای با 3 ورودی، 4 گره (نورون) در لایه پنهان و 4 خروجی)، بهترین نتیجه را در پیش بینی خروجی های مورد نظر دارد. این شبکه با مقدار ضریب همبستگی 921/0 و میانگین مربعات خطای 0191/0 بالاترین دقت را در بین توپولوژی های در نظر گرفته شده از خود نشان داد. پرونده مقاله -
دسترسی آزاد مقاله
114 - A Hybrid model based on neural network and Data Envelopment Analysis model for Evaluation of unit Performance
صادق حیدری احسان زنبوری حمید پروینEfficiency and evaluation is one of the main and most important demands of organizations, companies and institutions. As these organizations deal with a large amount of data, therefore, it is necessary to evaluate them on the basis of scientific methods to improve their چکیده کاملEfficiency and evaluation is one of the main and most important demands of organizations, companies and institutions. As these organizations deal with a large amount of data, therefore, it is necessary to evaluate them on the basis of scientific methods to improve their efficiency. Data envelopment analysis is a suitable method for measuring the efficiency and performance of organizations. This paper has been conducted to evaluate the performance and efficiency of decision making units. First, using the data envelopment analysis, the BCC output oriented model, these units are ranked and the shortcoming of the model in terms of efficacy measurement and separation are determined. Then, to overcome such problems, a combined method of data envelopment analysis; the BCC output oriented model and artificial neural network are used to evaluate the efficiency of these units and finally the results of the two models are compared.Given the efficiency obtained with the BCC output oriented method, it was observed that the amount of efficiency for some units which leads for these units not to be ranked but using the proposed NEURO-DEA method, no two units have the same efficiency and given the obtained efficiency, these units can be evaluated and ranked. پرونده مقاله -
دسترسی آزاد مقاله
115 - Curl Size and Pelt Color Determination of Zandi Lambs Using Image Processing and Artificial Neural Network
م. خجسته کی ع.ا. اسلمی نژاد ع.ر. جعفری اروریIn this study, a method based on using image processing and artificial neural network is introduced to determine pelt color and curl size of newborn lambs in Zandi sheep. The data was collected from 300 newborn lambs reared in the Zandi sheep breeding centre of Khojir, چکیده کاملIn this study, a method based on using image processing and artificial neural network is introduced to determine pelt color and curl size of newborn lambs in Zandi sheep. The data was collected from 300 newborn lambs reared in the Zandi sheep breeding centre of Khojir, Tehran. Primarily, curl size and pelt color of new born lambs was recorded by experienced appraisers, and at the same time, several digital images were captured from the lateral side of each lamb. The features related to curl size and pelt color of lambs were extracted from digital images using image processing tools (IPT) of MATLAB software. To determining the pelt color, to classifying the pelts for curl size, and to estimating the curl size of pelt, three artificial neural networks were designed. The pelt color of the lambs was determined using an artificial neural network with a precision of 100%. The accuracy of the neural network which trained to classify the pelts on their curl size was 94.87%. The accuracy of the third neural network to estimate the curl size of pelts was 98.44%. The correlation between the curl size estimated using the artificial neural network and the curl size which measured by appraisers was 96.4% (P<0.01). The results of this study showed that there is a potential to use artificial intelligence as a substitute for human assessments in the recording of pelt traits. پرونده مقاله -
دسترسی آزاد مقاله
116 - Application of Linear Regression and Artificial NeuralNetwork for Broiler Chicken Growth Performance Prediction
ش. غضنفریThis study was conducted to investigate the prediction of growth performance using linear regression and artificial neural network (ANN) in broiler chicken. Artificial neural networks (ANNs) are powerful tools for modeling systems in a wide range of applications. The AN چکیده کاملThis study was conducted to investigate the prediction of growth performance using linear regression and artificial neural network (ANN) in broiler chicken. Artificial neural networks (ANNs) are powerful tools for modeling systems in a wide range of applications. The ANN model with a back propagation algorithm successfully learned the relationship between the inputs of metabolizable energy (kcal/kg) and crude protein (g/kg) and outputs of feed intake, weight gain and feed conversion ratio variables. High R2 and T values for the ANN model in comparison to linear regression revealed that the artificial neural network (ANN) is an efficient method for growth performance prediction in the starter period for broiler chickens. This study also focused on expanding the experiment with more levels of inputs to predict outputs the using best ANN model. پرونده مقاله -
دسترسی آزاد مقاله
117 - Comparison of Artificial Neural Network and Regression Models for Prediction of Body Weight in Raini Cashmere Goat
م. خورشیدی-جلالی م.ر. محمدآبادی ع. اسمعیلی‌زاده ا. برازنده ُ.ا. بابنکوThe artificial neural networks (ANN) are the learning algorithms and mathematical models, which mimic the information processing ability of human brain and can be used to non linear and complex data. The aim of this study was to compare artificial neural network and reg چکیده کاملThe artificial neural networks (ANN) are the learning algorithms and mathematical models, which mimic the information processing ability of human brain and can be used to non linear and complex data. The aim of this study was to compare artificial neural network and regression models for prediction of body weight in Raini Cashmere goat. The data of 1389 goats for body weight, height at withers (HAW), body length (BL) and chest girth (CG) were used. Different regression models with all fixed factors were calculated for the most possible states and with different degrees and two artificial neural networks with different hidden layers, learning functions and transform functions were used. Finally, Multilayer perceptron model with one hidden layer along with neurons was selected and used. Correlation between body weight and its measurements showed that it is possible to use body measurements for prediction of body weight though prediction of body weight can be improved when more measurements are used. Based on R2 andmean square error (MSE) parameters, the best fitted regression equation for prediction of body weight using body measurements was selected. While all three measurements had a significant effect in the model (P<0.0001), height at wither had the highest correlation coefficient (0.65), hence may have the greatest effect on prediction. Comparing two models indicated that both models can predict body weight well and near to actual body weight, but the capability of artificial neural network model is higher (R2=0.86 for ANN and 0.76 for multiple regression analysis (MRA)) and closer to actual body weight. However, if more related measurements are recorded, ANN can give the desirable results. Therefore, it is possible to apply artificial neural networks, instead of customary procedures for prediction of actual body weight using body measurements. پرونده مقاله -
دسترسی آزاد مقاله
118 - Application of Mathematical Models to Estimate Metabolizable Energy Contents of Energetic Concentrate Feedstuffs for Poultry
M. Sedghi K. Tayebipoor B. Poursina M. Eman Toosi P. Soleimani RoudiA study using 51 wheat, 56 barley and 34 oat grain samples was conducted to investigate the feasibility of predicting the apparent metabolizable energy (AME) value of these cereals for poultry. Stepwise regression analyses were performed to evaluate the relationship of چکیده کاملA study using 51 wheat, 56 barley and 34 oat grain samples was conducted to investigate the feasibility of predicting the apparent metabolizable energy (AME) value of these cereals for poultry. Stepwise regression analyses were performed to evaluate the relationship of AME with starch, ether extract (EE), crude fiber (CF), soluble sugar (SS), ash and crude protein (CP) (for wheat and barley grain samples) or dry matter (DM), CF, ash and CP (for oat grain samples) as independent variables. According to the stepwise regression analyses, SS, CF and ash for wheat, CF, EE and starch for barley and CF and CP for oat were found to be useful predictors for AME prediction. Also, multiple linear regression (MLR) and artificial neural network (ANN) methods were developed to find the best models which can estimate the AME content of these cereals. Mean square deviation, Mean square variation and their components were used to evaluate the performance of MLR and ANN models. The results showed that AME of wheat can be predicted by SS, CF and ash. The CF, EE and starch are good independent variables to estimate AME content of barley samples. Also, CF and CP are good predictor parameters for AME prediction in oat samples. In case of model performance, the accuracy of the ANN model was stronger than MLR. Based on these results, it was concluded that the use of chemical composition in combination with the ANN model is a promising method to predict AME of wheat, barley and oat grain samples in poultry nutrition. پرونده مقاله -
دسترسی آزاد مقاله
119 - Comparison of Artificial Neural Network and Multiple Regression Analysis for Prediction of Fat Tail Weight of Sheep
م.ع. نوروزیان م. وکیلی علویجهA comparative study of artificial neural network (ANN) and multiple regression is made to predict the fat tail weight of Balouchi sheep from birth, weaning and finishing weights. A multilayer feed forward network with back propagation of error learning mechanism was use چکیده کاملA comparative study of artificial neural network (ANN) and multiple regression is made to predict the fat tail weight of Balouchi sheep from birth, weaning and finishing weights. A multilayer feed forward network with back propagation of error learning mechanism was used to predict the sheep body weight. The data (69 records) were randomly divided into two subsets. The first subset is the training set comprising of 75 percent data (52 records) to build the neural network model and test data set comprising of 25 percent (17 records), which is not used during the training and is used to evaluate performance of different models. The mean relative error was significantly (P<0.01) lower for ANN than the MLR model. The coefficient of determination (R2) values computed for the body measurements were generally higher (0.93) using ANN model than themultiple linear regression (MLR) model (0.81). The ANN model improved the mean squared error (MSE) of the MLR model by 59% and R2 by 15% that the ANN represents a valuable tool for predicting of lamb fat tail weight from birth, weaning and finishing weights. پرونده مقاله -
دسترسی آزاد مقاله
120 - برآورد تبخیر از تشت تبخیر ایستگاه سد تنظیمی دز با استفاده از روش شبکه عصبی مصنوعی
مهدی نجفوند دریکوندی حسین اسلامیبیشتر بارندگی مناطق خشک و نیمه خشک بصورت تبخیر به جو باز می گردد پس تخمین تبخیر دربرآورد میزان آب در چرخه آب مهم خواهد بود. تبخیر وابسته به پارامترهای مختلفی است و برای برآورد آن نیاز به متغیرهای اقلیمی متفاوتی است و اثر متقابل این متغیرها بسیار پیچیده است لذا در بررسی چکیده کاملبیشتر بارندگی مناطق خشک و نیمه خشک بصورت تبخیر به جو باز می گردد پس تخمین تبخیر دربرآورد میزان آب در چرخه آب مهم خواهد بود. تبخیر وابسته به پارامترهای مختلفی است و برای برآورد آن نیاز به متغیرهای اقلیمی متفاوتی است و اثر متقابل این متغیرها بسیار پیچیده است لذا در بررسی آن باید روشهای دقیقی را بکار گرفت. در این تحقیق برای برآورد تبخیر از تشت ایستگاه سد تنظیمی دز از روش شبکه عصبی مصنوعی استفاده شد. بطوریکه روش شبکه عصبی مصنوعی با تابع محرک تانژانت هایپربولیک و قانون یادگیری مومنتم استفاده شد. ساختار مورد استفاده یک شبکه چندلایه پرسپترون بوده که از 6 نورون ورودی، 3 لایه پنهان و یک نورون خروجی تشکیل شده بود. لایه‌های ورودی شامل دمای حداکثر، دمای حداقل، ساعات آفتابی، میانگین سرعت باد، میانگین درصد رطوبت نسبی و برای لایه خروجی میزان تبخیر از سطح آزاد آب بود. بررسی همبستگی بین عوامل اقلیمی نشان داد که میانگین دمای هوا اثر بیشتری بر میزان تبخیر سطحی نسبت به ساعات آفتابی و سرعت باد دارد. ضریب تعیین بالا (0/92) بین دادههای واقعی با دادههای شبیه‌سازی شده با شبکه عصبی مصنوعی به‌علاوه میزان خطای اندک (RMSE = 1.41) نشان داد که مدل از دقت بسیار بالایی در برآورد برخوردار است. صحت سنجی توسط تی تست نیز حاکی از عدم معنی‌دار بودن (P>0.01) اختلاف میان مقادیر واقعی و برآورد شده بود. پرونده مقاله -
دسترسی آزاد مقاله
121 - بهبود دقت روش هارگریوز در برآورد تبخیر- تعرق مرجع به کمک ضریب اصلاحی با مدل شبکه عصبی مصنوعی و درخت تصمیم M5
امید محترمی سید محمدرضا حسینی روح الله فتاحی تیمور سهرابیتبخیر- تعرق یکی از مهم ترین اجزای چرخه هیدرولوژی است که مدلسازی آن در مدیریت منابع آب نقش مهمی دارد. در تحقیق حاضر امکان بهبود دقت برآورد تبخیر- تعرق روش هارگریوز به کمک ضریب اصلاحیK با استفاده از مدل شبکه عصبی مصنوعی و مدل درخت تصمیم M5 مورد بررسی قرار گرفت. این ضریب ب چکیده کاملتبخیر- تعرق یکی از مهم ترین اجزای چرخه هیدرولوژی است که مدلسازی آن در مدیریت منابع آب نقش مهمی دارد. در تحقیق حاضر امکان بهبود دقت برآورد تبخیر- تعرق روش هارگریوز به کمک ضریب اصلاحیK با استفاده از مدل شبکه عصبی مصنوعی و مدل درخت تصمیم M5 مورد بررسی قرار گرفت. این ضریب برابر با نسبت تبخیر- تعرق مدل پنمن مونتیث فائو به روش هارگریوز می باشد. داده های مورد استفاده این تحقیق عبارت از دمای حداکثر و حداقل و رطوبت نسبی در بازه ی زمانی 2013-2004 از ایستگاه فرخشهر و فرودگاه در منطقه ی خشک سرد شهرکرد می باشد. شبکه طراحی شده یک شبکه پرسپترون چند لایه با الگوریتم آموزشی لونبرگ مارکوات و تابع تانژانت سیگموئید در لایه پنهان می باشد. مدل درخت تصمیمم به کمک نرم افزار WEKA طراحی گردید. نتایج نشان می دهد که شبکه عصبی و مدل درخت تصمیمم عملکرد خوبی در مدلسازی ضریب اصلاحی دارند، ولی عملکرد مدل شبکه عصبی دقیق تر است. نتایج نشان داد که قبل از استفاده از ضریب اصلاحی دقت مدل هارگریوز RMSE=0.90 (ریشه میانگین مربعات خطا) نسبت به روش پنمن مونتیث فائو بود که این مقدار بعد از استفاده از ضریب اصلاحی به کمک شبکه عصبی به RMSE=0.69 و با از استفاده از ضریب اصلاحی به کمک درخت تصمیمم به RMSE=0.72 رسید. به طور کلی نتایج نشان داد که بعد از استفاده از ضریب اصلاحی عملکرد مدل هارگریوز بهبود یافته است. پرونده مقاله -
دسترسی آزاد مقاله
122 - استفاده از شبکه عصبی مصنوعی در تعیین دبی سریز سد مارون
ابراهیم نوحانی ولی الله پرتویی ضیابرای اندازهگیری دقیق‌تر جریان آب، همواره سعی شده است تا حد امکان سازه‌های با نقص کمتر و دقت بالاتر طراحی شود. سرریز و دریچه ازجمله سازههایی هستند که همواره برای اندازهگیری میزان جریان آب، بهصورت گسترده مورد استفاده قرار می‌گیرند امروزهصبی مصنوعی بر مبنای استفاده از دا چکیده کاملبرای اندازهگیری دقیق‌تر جریان آب، همواره سعی شده است تا حد امکان سازه‌های با نقص کمتر و دقت بالاتر طراحی شود. سرریز و دریچه ازجمله سازههایی هستند که همواره برای اندازهگیری میزان جریان آب، بهصورت گسترده مورد استفاده قرار می‌گیرند امروزهصبی مصنوعی بر مبنای استفاده از دانش نهفته بین متغیرهای ورودی و خروجی یک مسئله، بدون دسطح آزاد آب و درصد آب‌گذری و پارامتر خروجی دبی سریز سد مخزنی میباشد. مدلهای مورد استفاده در شبکههای عصبی مصنوعی شامل شبکههای پیشخور (FF)، شبکه المان جردن (JEN)، با مقایسه‌ی نتایج حاصل از مدلهای شبکههای عصبی مصنوعی تکاملی با مقادیر آزمون اندازهگیری شده مشخص گردید که مدل MLP نسبت به سایر مدلها از دقت و توانایی بیشتری در تعیین دبی سد مخزنی مارون، برخوردار است. همچنین ضریب رگرسیونی(R2) این مدل در سه مرحله آموزش، اعتباریابی و آزمون برابر 942/0، 9479/0 و 9468/0 و شیب خط راست برابر 9413/0، 9287/0 و 9564/0 میباشد که بیانگر انعطاف‌پذیری و دقت بالای مدل است. پرونده مقاله -
دسترسی آزاد مقاله
123 - توسعه مدل هیبریدی موجکی در برآورد خشکسالی‌های منطقه‌ای حوضه آبریز سیمینه رود
عرفان رستم زاده علیرضا پرویشیدر مطالعه حاضر خشکسالی حوضه آبریز سیمنه‌رود به وسیله مدلهای هوشمند ماشین بردار پشتیبان (SVM)، شبکه عصبی مصنوعی (ANN) و تئوری موجک (W) مورد بررسی قرار گرفت. از دادههای شش ایستگاه باران‌سنجی در منطقه استفاده و شاخص خشکسالی در چهار مقیاس زمانی محاسبه گردید. همچنین خود همبس چکیده کاملدر مطالعه حاضر خشکسالی حوضه آبریز سیمنه‌رود به وسیله مدلهای هوشمند ماشین بردار پشتیبان (SVM)، شبکه عصبی مصنوعی (ANN) و تئوری موجک (W) مورد بررسی قرار گرفت. از دادههای شش ایستگاه باران‌سنجی در منطقه استفاده و شاخص خشکسالی در چهار مقیاس زمانی محاسبه گردید. همچنین خود همبستگی مرتبه اول به عنوان تاخیر بهینه انتخاب شد. سپس ساختار مناسب شبکه عصبی مصنوعی با استفاده از روش آزمون و خطا تعیین و ضرایب سه‌گانه مدل SVM نیز مشخص و مدلسازی انجام شد. نتایج ارزیابی مدلهای منفرد نشان داد که تفاوت معنی داری بین دو روش در پیشبینی خشکسالیها وجود ندارد. در ادامه مدلهای هیبریدی WANN و WSVMتهیه شدند. نتایج نشان داد کاربست تئوری موجک عملکرد مدلهای منفرد را بسیار بهبود داده و مقدار شاخصهای RMSE و MAE به ترتیب 19٪ و 21٪ کاهش و ضریب همبستگی 30٪ افزایش داشته و مدل W(L2)SVM برای پیشبینی خشکسالی‌های حوضه آبریز سیمینه‌رود پیشنهاد گردید. پرونده مقاله -
دسترسی آزاد مقاله
124 - توسعه و پیاده‌سازی روش تحلیل مؤلفه‌های اصلی جهت پایش وضعیت توربین گازی
سمیرا پیری الهام قنبریتوربین های گازی ماشین های پیچیده و گران قیمتی هستند که هزینه های تعمیر خرابی های پیش‌بینی‌نشده‌ی آنها بالاست. حس‌گرهای سامانه ی کنترلی توربین های گازی به‌طور پیوسته داده های زیادی را گزارش می کنند که ثبت و جمع آوری مقادیر آنها، تشکیل داده های حجیم را می دهند. با داده چکیده کاملتوربین های گازی ماشین های پیچیده و گران قیمتی هستند که هزینه های تعمیر خرابی های پیش‌بینی‌نشده‌ی آنها بالاست. حس‌گرهای سامانه ی کنترلی توربین های گازی به‌طور پیوسته داده های زیادی را گزارش می کنند که ثبت و جمع آوری مقادیر آنها، تشکیل داده های حجیم را می دهند. با داده کاویِ داده هایِ حجیمِ توربین گازی، می توان عیب و خرابی توربین را قبل از رخداد پیش بینی نمود. مجموعه ی ماتریسِ داده های تحقیق حاضر، حاصل ثبت و تجمیع مقادیر برخی از حس‌گرهای نصب‌شده بر روی توربین گاز فریم 9 یکی از نیروگاه های کشور هست. در این پژوهش پس از نرمالیزه کردن داده های ماتریس، سطرهای ماتریس بر حسب سالم یا معیوب بودن برچسب گذاری شدند. سپس با بهره گیری از تکنیک مؤلفه‌های اصلی، ابعاد ماتریسِ داده، از هفت بُعد به چهار بُعد کاهش داده شد و ویژگی های اصلی آن استخراج گردید. پس از یادگیریِ ماشین که بر روی 80% داده ها انجام گرفت معیار دقت، میزان خطا و همگرایی مدل برای کاهش های ابعادی مدل از دو تا شش بُعد بر روی 20% داده ها مورد مطالعه قرار گرفت که در نهایت مشخص گردید علاوه بر اینکه مدل ساخته شده به‌خوبی از پس کاهش ابعاد ماتریس، استخراج ویژگی ها با کمک تکنیک تحلیل مؤلفه‌های اصلی برآمده همچنین توانسته با تکنیک شبکه عصبی مصنوعی وقوع عیب را شناسایی و همچنین کلاس عیب را تشخیص دهد. مدل ساخته شده با تلفیق تکنیک تحلیل مؤلفه‌های اصلی با تکنیک شبکه مصنوعی عصبی توانسته دقتی بیش از 90% و با دقت خوب و بیشترین میزان همگرایی ماتریس داده ها را نمایش دهد و کلاس عیب توربین را مشخص نماید. پرونده مقاله -
دسترسی آزاد مقاله
125 - ارزیابی رضایتمندی شهروندان از سیستم حمل و نقل درون‌شهری همدان
حامد عباسیحمل و نقل یکی از مهمترین زیربناهای تشکیل‌دهنده زندگی شهری است که شکل و چگونگی توسعه اجتماعی و اقتصادی شهر را تعیین میکند. در این راستا، بررسی کیفیت حمل و نقل شهر همدان که می‌تواند در توسعه آن بسیار مفید باشد؛ مورد توجه قرار گرفت. جهت ارزیابی میزان رضایتمندی شهروندان ا چکیده کاملحمل و نقل یکی از مهمترین زیربناهای تشکیل‌دهنده زندگی شهری است که شکل و چگونگی توسعه اجتماعی و اقتصادی شهر را تعیین میکند. در این راستا، بررسی کیفیت حمل و نقل شهر همدان که می‌تواند در توسعه آن بسیار مفید باشد؛ مورد توجه قرار گرفت. جهت ارزیابی میزان رضایتمندی شهروندان از سیستم حمل و نقل از مدل رگرسیون غیرخطی و شبکه عصبی مصنوعی استفاده شد. بدین منظور ابتدا با تدوین پرسش‌نامه‌ای که بر اساس سه شاخص اصلی (وضعیت تجهیزات و تأسیسات، وضعیت ساختار کالبدی و وضعیت مدیریت و شیوه خدمات رسانی) پایه‌ریزی گردید؛ دیدگاه شهروندان جمعآوری شد. سپس با اتحاذ این شاخص‌ها بهعنوان متغیر مستقل و میزان رضایتمندی بهعنوان متغیر وابسته، یک مدل رگرسیون غیرخطی اجرا شد. میزان همبستگی و جذر میانگین مربعات خطای خروجی از این مدل به ترتیب به مقدار 914/0 و 334/0 مقدار بدست آمد. در رویکردی دیگر با استفاده از شبکه عصبی مصنوعی، یک مدل با ساختار سه نرون ورودی، یک لایه پنهان و یک نرون خروجی پایه‌ریزی شد. همبستگی خروجی این مدل به مقدار 998/0 مقدار و جذر میانگین مربعات خطای آن در حدود 6 برابر کمتر از مدل رگرسیونی محاسبه شد. نتایج نشان دادند که مدل شبکه عصبی با تخمین توأمان روابط خطی و غیرخطی، از انعطفاف‌پذیری و قابلیت مناسب‌تری نسبت به رگرسیون غیرخطی برخوردار است. از طرفی شاخصهای قیمت‌گذاری با ضریب (853/0)، برابری و رفاه با (795/0) و کاهش تقاضای سفر با (790/0) مقدار، اثرگذارترین شاخص‌ها در رضایتمندی شهروندان از شبکه حمل و نقل شهری هستند. پرونده مقاله -
دسترسی آزاد مقاله
126 - کاربرد شبکه عصبی مصنوعی وCellular Automata در مدل سازی و پیش بینی تغییرات کاربری اراضی شهر بوانات
مرضیه موغلیمقدمه: امروزه به دلیل ارزش بالای زمین و محدودیت منابع طبیعی در شهر بوانات پیش بینی تغییرات کاربری اراضی در این شهر از اهمیت بسزائی برخوردار است.هدف پژوهش: تعیین میزان توانائی در مدلسازی پدیده های مکان یابی در شهر بوانات یکی از اهداف اصلی تحقیق می باشد. روش شناسی: با ت چکیده کاملمقدمه: امروزه به دلیل ارزش بالای زمین و محدودیت منابع طبیعی در شهر بوانات پیش بینی تغییرات کاربری اراضی در این شهر از اهمیت بسزائی برخوردار است.هدف پژوهش: تعیین میزان توانائی در مدلسازی پدیده های مکان یابی در شهر بوانات یکی از اهداف اصلی تحقیق می باشد. روش شناسی: با توجه به کاربردی و توسعه ای بودن در این تحقیق از شبکه های عصبی مصنوعی برای کالیبراسیون مدل برای فاکتورهای مؤثر در شهر بوانات استفاده شده و از نرم افزار پردازش تصویر ENVI و Arc GIS بهره گرفته شده است.روش شناسی: با توجه به کاربردی و توسعه ای بودن در این تحقیق از شبکه های عصبی مصنوعی برای کالیبراسیون مدل برای فاکتورهای مؤثر در شهر بوانات استفاده شده و از نرم افزار پردازش تصویر ENVI و Arc GIS بهره گرفته شده است.قلمرو جغرافیایی پژوهش: شهرستان بوانات واقع در 240 کیلومتری شهر شیراز به مساحت 2/4992 کیلومترمربع می باشد که در موقعیت 46/30 درجه شمالی و 67/53 درجه شرقی قرار گرفته است.یافته ها: در طراحی مدلسازی رشد شهری در بوانات در بین سال های 2003 تا 2018 با استفاده از شبکه عصبی مصنوعی مشاهده شد که به دو دلیل عمده مدل مذکور جهت پیش بینی تغییرات کاربری اراضی شهر بوانات مناسب می باشد که دلیل اول آن میزان توانائی مدل CA و دلیل دوم دست یابی به مدلی برای تغییر و گسترش شهری با تغییر در کاربری اراضی شهری می باشد.نتیجه گیری: پس از بررسی یافته ها مشخص گردید که شبکه راه ها یکی از مهمترین عوامل در رشد و گسترش شهر بوانات بوده و علاوه بر آن درصد شیب زمین از پارامترهای مؤثر در مدلسازی شهر بوانات می باشد. پرونده مقاله -
دسترسی آزاد مقاله
127 - کاربرد شبکه های عصبی مصنوعی در مدل سازی توسعه کالبدی شهری (مطالعه موردی:شهر رشت)
طلا عابدی غلامرضا میری پرویز رضائی رضا زارعیمقدمه : توسعه کالبدی شهر ها به صورت روزافزون در حال افزایش است. مدیریت صحیح این توسعه از جهات گوناگون در زمره ی مسائل مهمی است که باید مدنظر قرار بگیرد. روش های متعددی برای پیش بینی و تعیین جهت توسعه شهری وجود دارد که یکی از این روش ها در تعیین مناطق مناسب ، روش مبتنی ب چکیده کاملمقدمه : توسعه کالبدی شهر ها به صورت روزافزون در حال افزایش است. مدیریت صحیح این توسعه از جهات گوناگون در زمره ی مسائل مهمی است که باید مدنظر قرار بگیرد. روش های متعددی برای پیش بینی و تعیین جهت توسعه شهری وجود دارد که یکی از این روش ها در تعیین مناطق مناسب ، روش مبتنی بر شبکه های عصبی است.هدف پژوهش : هدف این پژوهش مدلسازی توسعه شهر رشت طی 20 سال اخیر و پیش بینی جهات توسعه این شهر تا سال 2032 می باشد.روش شناسی تحقیق : با استفاده از تصاویر ماهواره ای ETM+ لندست 7 و8 سالهای 2002، 2012 و 2021 شهر رشت و با نرم افزار GIS تصاویر با ترکیب باندی مناسب آماده و سپس با استفاده از روش شبکه عصبی مصنوعی پرسپترون چند لایه (MLP) تصاویر طبقه بندی شده اند. شاخص های در نظر گرفته شده برای مدل همسایگی مناطق شهری، فاصله از نقاط شهری، فاصله تا مناطق مرکزی شهر و فاصله تا خیابان ها و راههای اصلی می باشند.قلمروجغرافیایی پژوهش :شهر رشت، مرکز استان گیلان و در ۴۹ درجه و ۳۵ دقیقه و ۴۵ ثانیه طول شرقی و ۳۷ درجه و ۱۶ دقیقه و ۳۰ ثانیه عرض شمالی از نصف النهار گرینویچ قرار دارد و مساحت آن حدود ۱۰۲۴۰ هکتار می باشد. یافته ها و بحث :در این مدل در حالت آموزش مرحله اول(ورودی اعمال 4 شاخص بر تصاویر سال 2002)، شبکه 104 تکرار انجام داد و کمترین میزان خطا که با معیار crossentropy ارزیابی می شود در تکرار 98 ام برابر با 058526/0 گردید. در مرحله دوم ورودی مدل اعمال 4 شاخص بر روی تصاویر 2012 بوده که کمترین میزان خطا 076657/0 ارزیابی شد.نتایج :در مجموع مدل توانسته است برای پیش بینی توسعه شهر رشت در سال 2012، 9/95 درصد و برای سال 2021، 8/93 درصد برآورد درستی داشته باشد که این عددها می تواند قابل قبول باشد. خطای مدل در این بخش اول 1/4 درصد و در بخش دوم 2/6 درصد بوده است. با بررسی دوره 20 ساله روند توسعه کالبدی، جهات توسعه شهر رشت در سال 2032 پیش بینی شد. پرونده مقاله -
دسترسی آزاد مقاله
128 - پیش بینی محصولات بنیادی روغن بابونه Abdicate Matricaria chamomilla L. با استفاده از سیستم شبکه عصبی مصنوعی
نازنین خاکی پور مهتاب پایندههدف از این تحقیق، پیشبینی نسبت و تولید اسانس بابونه با استفاده از یک سیستم شبکه عصبی مصنوعی متکی بر ویژگیهای فیزیکوشیمیایی خاص خاک بود. سایت های مختلف کشت بابونه مورد بررسی قرار گرفت و 100 نمونه خاک به گلخانه منتقل شد. pH، EC، K، OM (ماده آلی)، CCE (معادل کربنات کلسیم چکیده کاملهدف از این تحقیق، پیشبینی نسبت و تولید اسانس بابونه با استفاده از یک سیستم شبکه عصبی مصنوعی متکی بر ویژگیهای فیزیکوشیمیایی خاص خاک بود. سایت های مختلف کشت بابونه مورد بررسی قرار گرفت و 100 نمونه خاک به گلخانه منتقل شد. pH، EC، K، OM (ماده آلی)، CCE (معادل کربنات کلسیم) و میزان رس در خاک ها از 8.75 تا 7.94، 1.6 تا 1.0، 381 تا 135، 2.30 تا 0.22، 69 تا 16، و 6.5 متغیر بود. به ترتیب به 32.0 رسید. پارامترهای رشد، درصد اسانس و عملکرد اندازه گیری شد. مدلسازی شبکه عصبی مصنوعی با هدف پیشبینی غلظت و عملکرد اسانس با استفاده از سه مجموعه از ویژگیهای خاک به عنوان پیش‌بینی‌کننده انجام شد: نیتروژن (N)، فسفر (P)، پتاسیم (K)، و خاک رس. pH، EC، مواد آلی (OM) و خاک رس. CCE، خاک رس، سیلت، ماسه، N، P، K، OM، pH و EC. در نتیجه، سه تابع انتقال (PTF) با استفاده از پرسپترون چند لایه (MLP) با الگوریتم آموزشی Levenberg-Marquardt برای تخمین محتوای اسانس بابونه فرموله شد. ارزیابی نتایج نشان داد که PTF سوم (PTF3) که با استفاده از تمامی متغیرهای مستقل توسعه یافته است، بالاترین دقت و پایایی را از خود نشان می دهد. علاوه بر این، یافته‌ها امکان پیشبینی غلظت و عملکرد اسانس بابونه را بر اساس ویژگیهای فیزیکوشیمیایی خاک پیشنهاد کرد. این پیامدهای قابل توجهی برای ارزیابی تناسب زمین، شناسایی مناطق مساعد برای کشت بابونه و برنامه ریزی برای بازده اسانس دارد. پرونده مقاله -
دسترسی آزاد مقاله
129 - Identification of Houseplants Using Neuro-vision Based Multi-stage Classification System
Narges Ghanei Ghoushkhaneh Abbas Rohani Mahmood Reza Golzarian Fatemeh KazemiIn this paper, we present a machine vision system that was developed on the basis of neural networks to identify twelve houseplants. Image processing system was used to extract 41 features of color, texture and shape from the images taken from front and back of the leav چکیده کاملIn this paper, we present a machine vision system that was developed on the basis of neural networks to identify twelve houseplants. Image processing system was used to extract 41 features of color, texture and shape from the images taken from front and back of the leaves. The features were fed into the neural network system as the recognition criteria and inputs. Multilayer perceptron (MLP) neural network with Declining Learning-Rate Factor algorithm (BDLRF) training algorithm was used as a classifier. Classification was done in three stages based on eligibility and strength of characteristics in identifying the plants. Eligibility criteria were assessed at each stage using plants class resolution power. In this classification method, each step requires a small number of attributes and for this reason its speed and accuracy can be very high. The results showed that the accuracy of classification of plants in three steps reaches 100%. Also, the optimal features for classification included three inputting steps of morphological features, HSI color features extracted from back of the leaves, and HSI texture features of the back of the leaves. پرونده مقاله -
دسترسی آزاد مقاله
130 - Developing a Radial Basis Function Neural Networks to Predict the Working Days for Tillage Operation in Crop Production
ارمغان کوثری مقدم عباس روحانی Lobat Kosari-Moghaddam مهدی اسماعیل پور تروجنیThe aim of this study was to determine the probability of working days (PWD) for tillage operation using weather data with Multiple Linear Regression (MLR) and Radial Basis Function (RBF) artificial networks. In both models, seven variables were considered as input para چکیده کاملThe aim of this study was to determine the probability of working days (PWD) for tillage operation using weather data with Multiple Linear Regression (MLR) and Radial Basis Function (RBF) artificial networks. In both models, seven variables were considered as input parameters, namely minimum, average and maximum temperature, relative humidity, rainfall, wind speed, and evaporation on a daily basis. The PWD was considered to be the output of the developed models. Performance criteria were RMSE, MAPE, and R2. Results showed that the R2-valuewas 0.78 and 0.99 for MLR and RBF models, respectively. Both models had acceptable performance, but the RBF model was more accurate than the MLR model. The RMSE and MAPE values for the RBF model were lower than those for the MLR model. Thus, the RBF model was selected as the suitable model for predicting PWD. Moreover, the results of these models were compared to the prior soil moisture model. It was indicated that the results of the studied models had a good agreement with the results of the soil moisture model. However, the RBF model had the highest R2 (99%). In conclusion, the developed RBF model could be used to predict the probability of working days in terms of agricultural management policies. پرونده مقاله -
دسترسی آزاد مقاله
131 - پیش بینی تراز آب زیرزمینی با استفاده از مدل شبکه های عصبی مصنوعی (مطالعه موردی: دشت شبستر)
زینب مختاری امیرحسین ناظمی عطااله ندیریآبهای زیرزمینی، همواره به عنوان یکی از منابع مهم و عمده تأمین آب شرب و کشاورزی به ویژه در مناطق خشک و نیمه خشک مطرح بوده اند . شبیه سازی سیستم آبهای زیرزمینی به دلیل پیچیدگی این سیستمها به آسانی میسر نیست. هدف از این پژوهش، پیش بینی نوسانات تراز آب زیرزمینی دشت شبستر وا چکیده کاملآبهای زیرزمینی، همواره به عنوان یکی از منابع مهم و عمده تأمین آب شرب و کشاورزی به ویژه در مناطق خشک و نیمه خشک مطرح بوده اند . شبیه سازی سیستم آبهای زیرزمینی به دلیل پیچیدگی این سیستمها به آسانی میسر نیست. هدف از این پژوهش، پیش بینی نوسانات تراز آب زیرزمینی دشت شبستر واقع در جنوب استان آذربایجان شرقی با استفاده از شبک ههای عصبی مصنوعی می باشد. به منظور آموزش مدل، از اطلاعات 15 پیزومتر که دارای آمار تراز سطح ایستابی با سری زمانی 9 ساله (1380-1388) بودند و در کل دشت پراکندگی یکنواختی داشتند استفاده شد. پارامترهای دما، بارش، دبی خروجی دریان چای و تراز آب زیرزمینی هر یک از پیزومترها با تأخیر زمانی t0-1 (ماه قبل) به صورت ماهانه، چهار ورودی اصلی شبکه های عصبی مصنوعی را تشکیل دادند. مقدار تراز آب زیرزمینی نیز تنها خروجی این شبکه را شامل می شود. نتایج این تحقیق نشان داد که شبکه عصبی مصنوعی با تابع آموزشی TRAINLM و تابع محرک TANSIG، قادر به پیش بینی سطح آب زیرزمینی ماهانه در بازه زمانی 3 ساله با دقت بالای R2= 99.63 (RMSE=1.43) در مرحله آموزش و R2=99.16 (RMSE= 1.167) در مرحله صحت سنجی در محدوده مورد مطالعه است. پرونده مقاله -
دسترسی آزاد مقاله
132 - بررسی معیارهای متفاوت برای منظم کردن اجزاهای اصلی به منظور ایجاد یک مدل QSPR برای پیش بینی نقطه های ذوب
ولی زارع شاه­ آبادی فاطمه عباسی­ تباربراساس اهمیت پیش بینی نقطه های ذوب ترکیب ها، در این مقاله سعی شد که برای دسته وسیعی از ترکیب ها مدل مناسبی که توانایی پیش بینی نقطه های ذوب را در حد مطلوبی داشته باشد، ارایه شود. برای این منظور 4173 ترکیب شیمیایی با ساختارهای متنوع گزارش شده در مقاله های قبلی، انتخاب چکیده کاملبراساس اهمیت پیش بینی نقطه های ذوب ترکیب ها، در این مقاله سعی شد که برای دسته وسیعی از ترکیب ها مدل مناسبی که توانایی پیش بینی نقطه های ذوب را در حد مطلوبی داشته باشد، ارایه شود. برای این منظور 4173 ترکیب شیمیایی با ساختارهای متنوع گزارش شده در مقاله های قبلی، انتخاب و برای توصیف ساختار آن ها از یک دسته 202 تایی از توصیفکننده های 2D و 3D استفاده شد. این دسته داده ها به دو دسته آموزش و دسته تست به ترتیب با اندازه های 2573 و 1600 تقسیم بندی شد. ارزیابی بیشتر مدل ایجاد شده به کمک یک دسته داده دیگر با اندازه 277 صورت گرفت. برای کاهش حجم ماتریس توصیف کننده ها از تجزیه اجزای اصلی کمک گرفته شد و از شبکه عصبی برای ایجاد مدل استفاده شد. بردارهای ویژه به دست آمده از تجزیه اجزای اصلی بر اساس معیارهای متفاوتی مرتب و به عنوان ورودی شبکه مورد استفاده قرار گرفتند. معیارهای استفاده شده عبارت بودند از بزرگی مقدار ویژه، میزان همبستگی با نقطه ذوب و میزان قدرت پیش بینی کنندگی. بهترین مدل در حالتی بدست آمد که بردارهای ویژه براساس میزان قدرت پیش بینی کنندگی اشان مرتب و به عنوان ورودی استفاده بودند. در پایان پارامترهای شبکه از قبیل تعداد لایه های پنهان، تعداد گره در هر لایه، سرعت یادگیری و مومنتوم بهینه سازی شدند. شبکه با ساختار [25 10 8 1] و سرعت یادگیری 0/7 و مومنتوم 0/16به عنوان شبکه بهینه انتخاب شد. پرونده مقاله -
دسترسی آزاد مقاله
133 - کاربرد شبکه عصبی مصنوعی در پیشگویی بازده استخراج یون‌های روی از نمونه‌های حقیقی با استفاده از مولکول نگاری بسپاری
سید حسین هاشمی مسعود کیخوایی مجید میرمقدم محمد شاکریدر این مقاله، یک روش مدلسازی جدید بر اساس شبکه عصبی مصنوعی سه لایه‌ای برای پیشگویی بازده استخراج یون‌های روی از نمونه‌های حقیقی به‌وسیله‌ی استخراج با مولکول نگاری بسپاری شرح داده میشود. دادههای ورودی مدل شبکه عصبی مصنوعی سه لایه‌ای، pH، زمان جذب و زمان واجذب، مقدار ل چکیده کاملدر این مقاله، یک روش مدلسازی جدید بر اساس شبکه عصبی مصنوعی سه لایه‌ای برای پیشگویی بازده استخراج یون‌های روی از نمونه‌های حقیقی به‌وسیله‌ی استخراج با مولکول نگاری بسپاری شرح داده میشود. دادههای ورودی مدل شبکه عصبی مصنوعی سه لایه‌ای، pH، زمان جذب و زمان واجذب، مقدار لیگاند، حجم محلول و مقدار پلیمر استخراج‌کننده هستند و خروجی آن بازده استخراج یون‌های روی است. میانگین خطای مربعات و ضریب همبستگی بین دادههای تجربی و پیشگویی‌ها به ترتیب 0/00010 و 0/99923 برای آموزش، 0/0010 و 0/99373 برای ارزیابی و 0/0031 و 0/99178 برای دادههای آزمایش تعیین شدند. در شرایط بهینه، گستره‌ی خطی دینامیکی در گستره‌ی 20 تا µg.l-1 1000 با حد تشخیص µg.l-1 2/9 به دست آمد. انحراف استاندارد نسبی کمتر از 9/2% بود. این روش برای پیش تغلیظ و تعیین روی در نمونه‌های حقیقی متفاوت با موفقیت به کار گرفته شد. پرونده مقاله -
دسترسی آزاد مقاله
134 - مدلسازی فرایند تبدیل خشک متان به‌کمک پلاسما با استفاده از شبکه عصبی مصنوعی و الگوریتم ژنتیک
سیدمرتضی فاضلی فاطمه راوری حمیدرضا بزرگ زاده جعفر صادق زاده اهریپیشبینی فراورده‌های (هیدروژن و کربن مونوکسید) تبدیل خشک متان به‌کمک پلاسما در فشار جوی با استفاده از شبکه عصبی مصنوعی شبیه‌سازی شد. دادههای تجربی موردنیاز برای مدلسازی شبکه عصبی مصنوعی از یک واکنشگاه پلاسمایی تخلیه کرونا جمعآوری شد. اثر عامل‌های فرایندی (توان تخلیه چکیده کاملپیشبینی فراورده‌های (هیدروژن و کربن مونوکسید) تبدیل خشک متان به‌کمک پلاسما در فشار جوی با استفاده از شبکه عصبی مصنوعی شبیه‌سازی شد. دادههای تجربی موردنیاز برای مدلسازی شبکه عصبی مصنوعی از یک واکنشگاه پلاسمایی تخلیه کرونا جمعآوری شد. اثر عامل‌های فرایندی (توان تخلیه پلاسما، دبی خوراک ورودی) بر کارایی تبدیل متان و گزینش‌پذیری نسبت به فراورده‌های مورد بررسی قرار گرفتند. شبکه پیشخور با الگوریتم پس انتشار خطا، تابع آموزش انتشار رو به عقب لونبرگ مارکوارت، تابع فعال‌سازی سیگموئیدی برای لایه مخفی و تابع فعال‌سازی خطی برای لایه خروجی، مناسب‌ترین شبکه عصبی به‌دست آمده در این پژوهش است. برای مثال، مدل شبکه عصبی مصنوعی تبدیل متان 25/12% و گزینش پذیری نسبت به هیدروژن و کربن‌مونوکسید به ترتیب 71/15% و 74/85% را در توان تخلیه 4 وات پیشبینی کرد که مقادیر خطای مدل برای درصد تبدیل متان، گزینش‌پذیری نسبت به هیدروژن و کربن‌مونوکسید به ترتیب برابر 0/47%،1/2% و 0/2% است. برای رسیدن به شرایط بهینه عملیاتی در فرایند تبدیل از ترکیب الگوریتم ژنتیک و شبکه عصبی مصنوعی استفاده شد. نتیجه‌ها نشان دادند که شدت‌جریان خو.راک ورودی بهینه 175 میلی‌لیتر بر دقیقه و توان تخلیه بهینه 6 وات بود. در این شرایط درصد تبدیل متان 25/85% و گزینش‌پذیری نسبت به هیدروژن برابر 65/15% به‌دست آمد. اختلاف کوچک در شرایط عملیاتی بهینه بین مقادیر پیشبینی شده و تجربی، تأیید میکند که مدل شبکه عصبی مصنوعی ترکیب شده با الگوریتم ژنتیک، ابزاری مناسب برای مدلسازی و بهینه‌سازی فرایند تبدیل خشک متان به‌کمک پلاسماست. پرونده مقاله -
دسترسی آزاد مقاله
135 - روشهای خطی و غیرخطی ارتباط کمی‌ساختار- فعالیت جهت پیشبینی فعالیت دارویی برخی از مشتقات آمینواسیدها
مهدی نکویی مجید محمدحسینی مهدی رحیمی عبدالرضا علویقرهباغاین پژوهش به پیشبینی فعالیت دارویی 38 مشتق آمینواسید به عنوان بازدارنده‌های هیستون دی استیلاز (HDAC) جهت درمان سرطان و برخی از بیماری‌ها اختصاص دارد. آنزیم‌های HDAC موجب تسریع روند حذف گروه‌های استیل از باقیمانده‌های لیزین از پروتیین‌های شامل هیستون (Histone) می‌شوند. چکیده کاملاین پژوهش به پیشبینی فعالیت دارویی 38 مشتق آمینواسید به عنوان بازدارنده‌های هیستون دی استیلاز (HDAC) جهت درمان سرطان و برخی از بیماری‌ها اختصاص دارد. آنزیم‌های HDAC موجب تسریع روند حذف گروه‌های استیل از باقیمانده‌های لیزین از پروتیین‌های شامل هیستون (Histone) می‌شوند. پس از محاسبه‌ی توصیف‌کننده‌های مولکولی مستقل، با استفاده از روش مرحله‌ای انتخاب متغیر و گزینش 4 توصیفکننده، جهت مدلسازی از رگرسیون خطی چندگانه (MLR) و شبکه‌ی عصبی مصنوعی (ANN) استفاده شد. سری‌های آموزش و آزمون جهت ساخت مدل و ارزیابی قدرت پیشبینی روشهای MLR و ANN به ترتیب شامل 30 و 8 ترکیب بودند. افزون‌بر آن، از روشهای متفاوت جهت ارزیابی مدلها استفاده شد. نتیجه‌ها حاکی از آن است که روش غیرخطی شبکه‌ی عصبی مصنوعی در مجموع دارای توانمندی پیشبینی مناسب‌تر در مقایسه با روش MLR است. شاخصهای آماری مرتبط با مدل مبتنی بر شبکه‌ی عصبی مصنوعی دلالت بر این حقیقت دارد که مدل ارایه شده می‌تواند جهت پیشبینی فعالیت دارویی ترکیب‌های مشابه مورد استفاده قرار گیرد. پرونده مقاله -
دسترسی آزاد مقاله
136 - Application of Fuzzy ARTMAP Neural Networks for Epileptic spike detection Using Wavelet Feature Extraction
فاطمه صفری علی فرخی نعمت طالبیThis paper aims to introduce two different classifier systems based on fuzzy ARTMAP neural network for the automatic detection of epileptic spikes in 19-channel human electroencephalogram these algorithm (EEG) are fast and delivers satisfactory results. EEG signals are چکیده کاملThis paper aims to introduce two different classifier systems based on fuzzy ARTMAP neural network for the automatic detection of epileptic spikes in 19-channel human electroencephalogram these algorithm (EEG) are fast and delivers satisfactory results. EEG signals are decomposed into 4 sub-bands by means of Discrete Wavelet Transform (DWT). The inputs of the networks consist of two different features, which are extracted from the sub-bands 3 and 4. The performances of the classifiers introduced in this paper, are compared with each other’s and other similar systems, according to the sensitivity, specificity and selectivity values. پرونده مقاله -
دسترسی آزاد مقاله
137 - 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 جهانشادهدف 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 کاملهدف 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
138 - پیشبینی شاخص سهام با استفاده از ترکیب شبکه عصبی مصنوعی و مدلهای فرا ابتکاری جستجوی هارمونی و الگوریتم ژنتیک
مریم دولو تکتم حیدریهدف پژوهش حاضر پیشبینی شاخص قیمت بورس اوراق بهادار تهران با استفاده از مدل شبکه عصبی هیبریدی مبتنی بر الگوریتم ژنتیک و جستجوی هارمونی است. مربوط‌ترین نماگرهای تکنیکی به عنوان متغیرهای ورودی و تعداد بهینه نرون در لایه پنهان شبکه عصبی مصنوعی با استفاده از الگوریتم‌های فر چکیده کاملهدف پژوهش حاضر پیشبینی شاخص قیمت بورس اوراق بهادار تهران با استفاده از مدل شبکه عصبی هیبریدی مبتنی بر الگوریتم ژنتیک و جستجوی هارمونی است. مربوط‌ترین نماگرهای تکنیکی به عنوان متغیرهای ورودی و تعداد بهینه نرون در لایه پنهان شبکه عصبی مصنوعی با استفاده از الگوریتم‌های فراابتکاری ژنتیک و جستجوی هارمونی حاصل می‌گردد. مقادیر روزانه شاخص قیمت بورس اوراق بهادار تهران از تاریخ 1/10/91 الی 30/9/94 جهت پیشبینی شاخص قیمت و آزمون آن استفاده میشود. دقت پیشبینی سه مدل شبکه عصبی عادی، شبکه عصبی هیبریدی مبتنی بر الگوریتم ژنتیک و شبکه عصبی هیبریدی مبتنی بر جستجوی هارمونی بر اساس میزان خطای پیشبینی ارزیابی می‌گردد. نتایج حاصله نشان میدهد دقت پیشبینی مدلهای فراابتکاری ژنتیک و جستجوی هارمونی در دوره آزمون بالاتر از شبکه عصبی عادی است. همچنین پیشبینی مدل شبکه عصبی هیبریدی مبتنی بر جستجوی هارمونی در دوره آزمون نسبت به مدل شبکه عصبی مصنوعی هیبریدی مبتنی بر الگوریتم ژنتیک از دقت بالاتری برخوردار است. This study is aimed to predict the price index of Tehran Stock Exchange using hybrid Artificial Neural Network (ANN) models based on Genetic Algorithms (GA) and Harmony Search (HS). The most relevant technical indicators as inputs and the optimal number of neurons in hidden layer of Artificial Neural Network are achieved by metaheuristics including Genetic Algorithms and Harmony Search. Daily price index of Tehran Stock Exchange from 21 December 2012 to 21 December 2015 applied to predict and test stock index. The accuracy of forecasting of three models including Regular Artificial Neural Network model, hybrid neural networks based on GA and hybrid neural networks based on HS is evaluated by the prediction error. The results show that the accuracy of prediction in Metaheuristics models such as Genetic Algorithms and Harmony Search in test period is higher than normal Artificial Neural Network. Also prediction by hybrid neural network model based on harmony Search during the test period compared to hybrid Artificial Neural Network model based on Genetic Algorithm is more accurate. پرونده مقاله -
دسترسی آزاد مقاله
139 - بررسی اثر روابط اعطای تسهیلات بر هزینه مبادله تسهیلات بانکی: مطالعه موردی بانک کشاورزی
عباس عرب مازار مهرداد نعمتی امیر درویشیهدف از انجام این مطالعه، اندازه گیری اثر متغیر روابط اعطای تسهیلات بر هزینه مبادله (هماهنگی) اعطای تسهیلات بانکی در بانک کشاورزی و بررسی توالی اهمیت متغیرهای تاثیر گذار بر هزینه مبادله می باشد. هزینه های مبادله در کشورهای در حال توسعه به ویژه در بخش اعتباری بالا است و چکیده کاملهدف از انجام این مطالعه، اندازه گیری اثر متغیر روابط اعطای تسهیلات بر هزینه مبادله (هماهنگی) اعطای تسهیلات بانکی در بانک کشاورزی و بررسی توالی اهمیت متغیرهای تاثیر گذار بر هزینه مبادله می باشد. هزینه های مبادله در کشورهای در حال توسعه به ویژه در بخش اعتباری بالا است و بالا بودن این هزینه باعث کاهش کارایی نظام بانکی و عملکرد آن می شود. داده های مورد استفاده در این مطالعه از طریق پرسشنامه که حاصل داده های ذهنی و تجربی افراد تکمیل کننده پرسشنامه ها می باشد به دست آمده است. در این مطالعه به منظور بررسی فرضیه های مطرح شده و مشخص کردن اهمیت متغیرهای تاثیر گذار بر هزینه مبادله، از روش شبکه عصبی مصنوعی استفاده شده است. یافته های مطالعه نشان می دهد که روابط اعطای تسهیلات، از طریق اثر گذاری بر سایر متغیر های موثر، منجر به کاهش هزینه مبادله در جهت اعطای تسهیلات شده و در نتیجه، بانک کشاورزی با تاکید بر این رویکرد می تواند کارایی اش را از طریق کاهش هزینه مبادله افزایش داده و از منابع مالی خود به صورت بهینه استفاده کند. The aim of this study is measuring the effect of lending relationship on transaction costs (coordination costs) in bank lending for agricultural bank and sequence analysis of factors which affects on transaction costs. Transaction costs in developing countries, especially in credit sectors are high and that high cost factor, leads to reduced the performance of the economy. The data used in this study were obtained through questionnaires and they were completed by people who has experienced about this issue. In this study, Artificial neural network method is used for raising hypothesis and identifying the variables affecting on transaction costs. This study suggest that the relationship lending, through the influence of other variables, leading to lower transaction costs for lending and, consequently, the Agricultural Bank can reduce its effectiveness through transaction costs and increase their financial resources optimally by emphasizing on this approach. Keywords: Lending Relationships, Transaction Cost, Coordination Cost, Artificial Neural Network Classification JEL: C13، C52, B41 پرونده مقاله -
دسترسی آزاد مقاله
140 - بررسی امکان پیش بینی شاخص قیمت سهام در بازار سرمایه ایران و مقایسه توان پیش بینی مدلهای خطی و غیرخطی
کریم امامی قدرت الله امام وردیسری های زمانی بسیار پیچیده مانند قیمتهای بازار سهام،معمولا تصادفی بوده ،در نتیجه تغییرات آنها غیر قابل پیش بینی فرض می شود.در بیشتر موارد در بررسی مشاهدات اماری مربوط به متغیرهای اقتصادی از جمله قیمت بازار سهام از آزمونهایی استفاده شده که در مواجهه با داده های آشوبی به چکیده کاملسری های زمانی بسیار پیچیده مانند قیمتهای بازار سهام،معمولا تصادفی بوده ،در نتیجه تغییرات آنها غیر قابل پیش بینی فرض می شود.در بیشتر موارد در بررسی مشاهدات اماری مربوط به متغیرهای اقتصادی از جمله قیمت بازار سهام از آزمونهایی استفاده شده که در مواجهه با داده های آشوبی به اشتباه افتاده و انها را در داده های تصادفی تشخیص داده اند.در حالی که این داده ها در واقع،از مقام های معینی به و جود می ایند که با اختلالاتی جزیی همراه می باشد.به همین دلیل آزمونهای پیش بینی پذیری و غیر خطی برای بررسی و جود روند آشوبی معین و فرایندهای غیر خطی در سری زمانی شاخص روزانه سهام بازار اوراق بهادار تهران در بازه زمانی 1379/8/1 تا 1386/7/2 مورد استفاده قرار داده ایم که از جمله می توان به آزمونهای BDS,HURST، تسلسل و بعد همبستگی اشاره نمود که نتایج به دست آمده نشان دهنده پیش بینی پذیری و وجود روند غیر خطی در داده های مورد بررسی بوده است.پس از حصول اطمینان از پیش بینی پذیری و وجود روند غیر خطی در داده های شاخص روزانه سهام،جهت ارائه مدل مناسب برای پیش بینی شاخص قیمت سهام،مدل های سری زمانی خطی (AR) و غیر خطی(GARCH)و شبکه عصبی مصنوعی(ANN) برآورد کرده،سپس،نتایج به دست امده از پیش بینی توسط این مدلها را با استفاده از معیارهای CDC,RMSE,MAE,MAPEو آماره U-THEILمورد مقایسه قرار داده ایم.نتایج به دست امده از مقایسه توان پیش بینی این مدلها بیانگر توان بالای پیش بینی در مدلهای شبکه عصبی مصنوعی نسبت به مدلهای دیگر است. پرونده مقاله -
دسترسی آزاد مقاله
141 - ارائه مدل جامع جهت اندازهگیری ریسک نقدینگی بانکهای پذیرفته‌شده در بورس اوراق بهادار تهران(مطالعه موردی: بانک ملت)
تورج آذری مجتبی دستوری رضا تهرانیچکیدهعدم مدیریت نقدینگی بانک‌ها یکی از مهمترین ریسک‌های هر بانک میباشد و کم‌توجهی به ریسک نقدینگی منجر به عواقب جبران‌ناپذیر میشود. جلوگیری از وقوع ریسک نقدینگی نیازمند یک روش اندازهگیری جامع میباشد؛ اما ریسک نقدینگی موضوعی پیچیده است و این پیچیدگی ارائه یک تعریف م چکیده کاملچکیدهعدم مدیریت نقدینگی بانک‌ها یکی از مهمترین ریسک‌های هر بانک میباشد و کم‌توجهی به ریسک نقدینگی منجر به عواقب جبران‌ناپذیر میشود. جلوگیری از وقوع ریسک نقدینگی نیازمند یک روش اندازهگیری جامع میباشد؛ اما ریسک نقدینگی موضوعی پیچیده است و این پیچیدگی ارائه یک تعریف مناسب را دشوار میسازد. علاوه بر این، تعریف فاکتورهای تعیین‌کننده ریسک نقدینگی و فرمول‌بندی تابع هدف مرتبط برای تقریب و پیشبینی مقدار آن پیچیده است. در این تحقیق برای مقابله با این مشکلات و ارزیابی ریسک نقدینگی و فاکتورهای کلیدی آن، مدلی را پیشنهاد می‌کنیم که از شبکههای عصبی مصنوعی و بیزی استفاده میکند. طراحی و اجرای این مدل شامل چندین الگوریتم و آزمایش جهت اعتبارسنجی است. در این مقاله از الگوریتم‌های بهینه‌سازی لونبرگ-مارکوارت و ژنتیک جهت آموزش شبکه عصبی مصنوعی استفاده کرده‌ایم. همچنین یک مطالعه موردی در بانک ملت برای نشان دادن قابلیت اجرا، کارایی، دقت و انعطاف‌پذیری مدل اندازهگیری ریسک نقدینگی تحقیق، پیاده‌سازی کرده‌ایم. پرونده مقاله -
دسترسی آزاد مقاله
142 - تحلیل مؤلفه‌های فرهنگ‌سازمانی دانش‌محور با استفاده از شبکه عصبی مصنوعی
سمیه حسین زاده تورج مجیبی سید مهدی الوانی جواد رضائیاناین پژوهش به تحلیل مولفه های فرهنگ سازمانی دانش محور به منظور نیل به اثربخشی عملکرد با استفاده از شبکه عصبی مصنوعی میپردازد.پژوهش حاضر ازنظر نوع استفاده کاربردی است که با روش آمیخته اکتشافی انجام‌شده است. در تدوین ادبیات پژوهش با استفاده از روش بررسی اسنادی و نتایج حاص چکیده کاملاین پژوهش به تحلیل مولفه های فرهنگ سازمانی دانش محور به منظور نیل به اثربخشی عملکرد با استفاده از شبکه عصبی مصنوعی میپردازد.پژوهش حاضر ازنظر نوع استفاده کاربردی است که با روش آمیخته اکتشافی انجام‌شده است. در تدوین ادبیات پژوهش با استفاده از روش بررسی اسنادی و نتایج حاصل از آن، مصاحبه‌های عمیق حضوری در چندین نوبت با 20 نفر از خبرگان دانشگاهی به عمل آمد. پس از ثبت مصاحبه‌ها، دادهها به روش تحلیل محتوا مورد تحلیل کیفی قرار گرفت. جامعه آماری در بخش کمی شامل 50 نفر از خبرگان اجرایی مرتبط که با روش نمونهگیری هدفمند انتخاب شدند. جهت اندازهگیری اثربخشی هر یک از مولفه ها و تحلیل حساسیت آنها از شبکه عصبی مصنوعی چندلایه پیشخور با الگوریتم انتشار بازگشتی خطا استفادهشده است.یافتههای پژوهش نشان داد که میزان حساسیت اثربخشی عملکرد نسبت به فرهنگ سازمانی دانش محور 4.39 درصد است. همچنین ، فرهنگ سازمانی دانش محور با پنج مؤلفه مشخص گردید و در بین مؤلفه‌های آن دو مؤلفه رهبری دانش‌پرور و فرهنگ اعتماد بهعنوان مؤلفه‌هایی شناسایی شدند که اثربخشی عملکرد بیشترین حساسیت را نسبت به آنها دارد پرونده مقاله -
دسترسی آزاد مقاله
143 - 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 منشپژوهش 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 کاملپژوهش 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
144 - پیشبینی قیمت سهام در بورس اوراق بهادار تهران با استفاده از مدل شبکه عصبی مصنوعی(ANN) و مدل خودرگرسیون میانگین متحرک انباشته (ARIMA) : مطالعه موردی دو شرکت دارویی فعال بورس اوراق بهادار
احمد چگنی عزیز گرددر این تحقیق به مقایسه کارایی دو روش پیشبینی شبکه عصبی مصنوعی (ANN) و روش سنتی خودرگرسیون میانگین متحرک انباشته (ARIMA) در پیشبینی قیمت سهام در بازار سهام ایران پرداخته شده است. بدین منظور 2 شرکت دارویی البرز‌دارو و جام‌دارو انتخاب شده و مدل ARIMA و مدل شبکه عصبی مصنو چکیده کاملدر این تحقیق به مقایسه کارایی دو روش پیشبینی شبکه عصبی مصنوعی (ANN) و روش سنتی خودرگرسیون میانگین متحرک انباشته (ARIMA) در پیشبینی قیمت سهام در بازار سهام ایران پرداخته شده است. بدین منظور 2 شرکت دارویی البرز‌دارو و جام‌دارو انتخاب شده و مدل ARIMA و مدل شبکه عصبی مصنوعی برای هر دو شرکت تخمین زده شد. به منظور تخمین مدل شبکه عصبی مصنوعی، متغیر قیمت سهام به عنوان متغیر وابسته و متغیرهای حجم معاملات سهام، شاخص صنعت دارو، قیمت نفت اوپک، نرخ ارز و قیمت طلا به عنوان متغیرهای مستقل در نظر گرفته شد. برای مقایسه دو مدل نیز از معیارهای MSE,RMSE,MAD,R2 و MAPE استفاده شد. به منظور تخمین مدل رگرسیون پیشبینی قیمت سهام از فرآیند خودرگرسیون میانگین متحرک انباشته (ARIMA) استفاده و تخمین ضرایب مدل با استفاده از نرم‌افزار آماری EVIEWS انجام شده و مدل شبکه عصبی مصنوعی(ANN) مناسب برای پیشبینی قیمت سهام نیز با استفاده از نرم‌افزار MATLAB ساخته شد. نتایج تحقیق نشان داد که فرضیه تحقیق در صورت تأثیر متغیرهای کلان اقتصادی بر روی قیمت سهام صحیح بوده و مدل شبکه عصبی مصنوعی (ANN) پیشبینی بهتری از قیمت سهام در بازار سهام ایران در مقایسه با روش خودرگرسیون میانگین متحرک انباشته (ARIMA) دارد. پرونده مقاله -
دسترسی آزاد مقاله
145 - ارائه مدل پیشنهادی برای سنجش پایداری مالی شرکت با استفاده از روش اکونوفیزیک و شبکه عصبی مصنوعی
مولود سلیمانی فائق احمدی محمدحسین رنجبر حمیدرضا وکیلی فردمفهوم پایداری مالی نزدیک به دو دهه است که در متون اقتصادی واردشده است. در ادبیات نظری مالی، پایداری مالی شرکت را میتوان بهعنوان یک سیستم مالی که متشکل از واسطه‌گری‌های مالی، بازارها و زیرساخت‌های بازار که قادر به تحمل ریسک شوک‌ها و برطرف کردن عدم تعادل‌های مالی می‌باش چکیده کاملمفهوم پایداری مالی نزدیک به دو دهه است که در متون اقتصادی واردشده است. در ادبیات نظری مالی، پایداری مالی شرکت را میتوان بهعنوان یک سیستم مالی که متشکل از واسطه‌گری‌های مالی، بازارها و زیرساخت‌های بازار که قادر به تحمل ریسک شوک‌ها و برطرف کردن عدم تعادل‌های مالی میباشد بیان نمود. لذا مطابق با استدلال فوق، هدف از پژوهش حاضر ارائه مدل پیشنهادی برای سنجش پایداری مالی شرکت با استفاده از روش اکونوفیزیک و شبکه عصبی مصنوعی با استفاده از یک نمونه متشکل از 132 شرکت پذیرفته شده در بورس اوراق بهادار تهران طی سال های 1393 تا 1397 است. نتایج بدست آمده از فرضیه اول نشان می دهد که پیشبینی پایداری مالی مبتنی بر روش اکونوفیزیک می‌تواند نتایج بهتری را ارائه دهد. همچنین بر اساس نتیجه فرضیه دوم پیشبینی پایداری مالی مبتنی بر روش بیزی می‌تواند نتایج بهتری را ارائه دهد. در نهایت، با مقایسه روش اکونوفیزیک و روش بیزی در خصوص پیش بینی پایداری مالی شرکت، می توان به این نتیجه دست یافت که پیشبینی پایداری مالی مبتنی بر روش اکونوفیزیک نتایج بهتری را نسبت به روش بیزی ارائه میدهد. پرونده مقاله -
دسترسی آزاد مقاله
146 - بررسی مقایسه دقت پیش بینی سیستم شبکه های عصبی مصنوعی بر مبنای رویکرد پرسپترون چندلایه و مدل باینری-لجستیک فالمر در راستای پیش بینی ورشکستگی
سمیه ساروئی حمیدرضا وکیلی فرد قدرت اله طالب نیاتحلیلگران مالی و سایر استفاده‌کنندگان برای پیشبینی ورشکستگی شرکت‌ها نیاز به اطلاعات مربوط و قابل اتکا دارند که باید اطلاعات به صورت متقارن بین تمامی استفاده‌کنندگان توزیع گردد. بر همین اساس، هدف این پژوهش، بررسی مقایسه دقت پیش بینی سیستم شبکه های عصبی مصنوعی بر مبنای چکیده کاملتحلیلگران مالی و سایر استفاده‌کنندگان برای پیشبینی ورشکستگی شرکت‌ها نیاز به اطلاعات مربوط و قابل اتکا دارند که باید اطلاعات به صورت متقارن بین تمامی استفاده‌کنندگان توزیع گردد. بر همین اساس، هدف این پژوهش، بررسی مقایسه دقت پیش بینی سیستم شبکه های عصبی مصنوعی بر مبنای رویکرد پرسپترون چندلایه و مدل باینری-لجستیک فالمر در راستای پیش بینی ورشستگی است. برای آزمون فرضیه‌ها، از دادههای ترکیبی 172 شرکت پذیرفته شده در بورس اوراق بهادار تهران در بازه زمانی 1385-1396 استفاده شد. یافتههای حاصل از تجزیه و تحلیل دادههای پژوهش نشان داد که سیستم شبکههای عصبی مصنوعی بر مبنای رویکرد پرسپترون چندلایه قادرند با دقتی معادل 98 درصد عوامل تاثیر گذار بر ورشکستگی شرکتهای ایرانی را در سال قبل از ورشکستگی شناسایی نماید. یافتههای حاصل از بررسی مدل باینری-لجستیک نشان داد که الگوی پیشبینی طراحی شده بر اساس روش رگرسیون فالمر قادر است با دقت 82 درصد ورشکستگی شرکتهای نمونه را مورد پیشبینی قرار دهد. لذا، استفاده از شبکههای عصبی مصنوعی می‌تواند با قدرت و دقت بیشتری ورشکستگی را نسبت مدلهای رگرسیونی پیشبینی نماید پرونده مقاله -
دسترسی آزاد مقاله
147 - ارائه مدلی برای شناسایی عوامل موثر بر قیمت آتی سکه به روش شبکه عصبی مصنوعی و مقایسه آن با مدلهای رگرسیونی
میلاد گودرزی بهزاد امیریمعاملات آتی در بورس کالای ایران و بر روی سکه تمام بهار آزادی در طول سالهای اخیر به ویژه در سال گذشته از حجم معاملاتی قابل قبولی برخوردار بوده و توجه بسیاری از فعالان بازار را به خود جلب نموده است. در این مقاله بر اساس قیمتهای سکه در بازار نقدی و معاملات آتی سکه در بور چکیده کاملمعاملات آتی در بورس کالای ایران و بر روی سکه تمام بهار آزادی در طول سالهای اخیر به ویژه در سال گذشته از حجم معاملاتی قابل قبولی برخوردار بوده و توجه بسیاری از فعالان بازار را به خود جلب نموده است. در این مقاله بر اساس قیمتهای سکه در بازار نقدی و معاملات آتی سکه در بورس کالای ایران در طول یک سال کامل به بررسی عوامل موثر بر قیمتهای این بازار پرداخته شده است و بر مبنای این عوامل و با استفاده از روش شبکههای عصبی به پیشبینی قیمت قرارداد آتی سکه بهار آزادی پرداخته و در نهایت به مقایسه دقت نتایج حاصل از این مدل با مدل خطی رگرسیون چندگانه پرداخته شده و دقت پیش بینی آنها بررسی شده است. پرونده مقاله -
دسترسی آزاد مقاله
148 - مقایسه عملکرد مدلهای رگرسیونی ARIMA وشبکه عصبی باالگوریتم ژنتیک (GMDH) درپیش بینی قیمت نفت خام ایران
عباسعلی ابونوری ناهید خدادادیاین پژوهش باهدف معرفی یک الگوی مناسب جهت پیش بینی قیمت نفت خام سنگین ایران صورت پذیرفته است. داده های مورداستفاده دراین پژوهش به صورت هفتگی وشامل بازه ی زمانی هفته سوم 4/2002 الی هفته چهارم 7/2011 که مشتمل بر485مشاهده بوده که جهت مجزاسازی پیش بینی های داخل نمونه ای وخار چکیده کاملاین پژوهش باهدف معرفی یک الگوی مناسب جهت پیش بینی قیمت نفت خام سنگین ایران صورت پذیرفته است. داده های مورداستفاده دراین پژوهش به صورت هفتگی وشامل بازه ی زمانی هفته سوم 4/2002 الی هفته چهارم 7/2011 که مشتمل بر485مشاهده بوده که جهت مجزاسازی پیش بینی های داخل نمونه ای وخارج ازنمونه استفاده شده است. همچنین الگوهای مورداستفاده دراین پژوهش عبارتنداز:یک مدل شبکه عصبی مصنوعی مبتنی برالگوریتم ژنتیک (GMDH) و نیز یک مدل رگرسیونی خطی (ARIMA) یافته های این پژوهش نشان می دهدکه مدل شبکه عصبی مبتنی برالگوریتم درپیش بینی های خارج ازنمونه براساس معیارهای محاسبه خطای پیش بینی میانگین مجذور خطا (MSE) و نیز معیار جذر میانگین مجذور خطا (RMSE) دارای عملکردبهتری نسبت به مدل رگرسیونی خطیARIMAمی باشند. پرونده مقاله -
دسترسی آزاد مقاله
149 - پیشبینی مدیریت سود مبتنی بر مدل جونز تعدیل شده با استفاده از مدل شبکه عصبی مصنوعی و الگوریتم ژنتیک
خسرو فغانی ماکرانی سیدحسن صالح نژاد وحید امیندر سالهای اخیر مدیریت سود در پژوهش های دانشگاهی توجه زیادی را به خود جلب کرده است. هدف این پژوهش پیش بینی مدیریت سود از طریق اقلام تعهدی اختیاری مبتنی بر مدل جونز تعدیل شده است. در این پژوهش از دو مدل شبکه عصبی مصنوعی و مدل ترکیبی الگوریتم ژنتیک – شبکه عصبی به عنو چکیده کاملدر سالهای اخیر مدیریت سود در پژوهش های دانشگاهی توجه زیادی را به خود جلب کرده است. هدف این پژوهش پیش بینی مدیریت سود از طریق اقلام تعهدی اختیاری مبتنی بر مدل جونز تعدیل شده است. در این پژوهش از دو مدل شبکه عصبی مصنوعی و مدل ترکیبی الگوریتم ژنتیک – شبکه عصبی به عنوان الگوی موفقجهت پیش بینی مدیریت سود مبتنی بر جونز تعدیل شده در بورس اوراق بهادار تهران استفاده شده است. نمونه مورد استفاده در این پژوهش شامل 570 سال-شرکت بین سالهای 1387 الی 1392 می باشد. یافته های پژوهش نشان داد که شبکه عصبی مصنوعی از توانایی بالایی در پیش بینی مدیریت سود، نسبت به مدل خطی جونز تعدیل شده برخوردار است. همچنین یافته ها حاکی از آن است که الگوریتم ژنتیک به عنوان مدل بهینه ساز می تواند در افزایش توان پیش بینی شبکه عصبی مصنوعی و بهینه کردن وزن های آن برای پیش بینی مدیریت سود مبتنی بر مدل جونز تعدیل شده تأثیر بسزایی داشته باشد. پرونده مقاله -
دسترسی آزاد مقاله
150 - پیشبینی بازده صندوق‌های سرمایه‌گذاری مشترک
کاظم چاوشی ابراهیم صابرپیش¬بینی بازده یکی از مفاهیم پیچیده و مورد علاقه سرمایه‌گذاران و تصمیم‌گیرندگان میباشد. برای پیشبینی بازده مدلهای مختلفی مطرح شده است. هدف اصلی این پژوهش بررسی مقایسه¬ای توان پیش¬بینی مدل رگرسیون با استفاده از داده¬های ترکیبی و روش شبکه¬های عصبی چکیده کاملپیش¬بینی بازده یکی از مفاهیم پیچیده و مورد علاقه سرمایه‌گذاران و تصمیم‌گیرندگان میباشد. برای پیشبینی بازده مدلهای مختلفی مطرح شده است. هدف اصلی این پژوهش بررسی مقایسه¬ای توان پیش¬بینی مدل رگرسیون با استفاده از داده¬های ترکیبی و روش شبکه¬های عصبی مصنوعی می-باشد. برای این منظور ابتدا عوامل موثر بر بازده صندوق¬های سرمایه¬گذاری مشترک در قالب 13 متغیر شناسایی شدند. برای آزمون فرضیات این پژوهش، داده¬های مورد نیاز در طی سال¬های1389 الی1391به¬صورت ماهانه گردآوری شده و سپس با استفاده از روش¬های خطی و غیرخطی به پیش¬بینی بازده 30 صندوق¬ سرمایه¬گذاری مشترک در بازار سرمایه ایران پرداخته شد. نتایج نشان می¬دهد که با استفاده از معیارهای ارزیابی عملکرد تا حدودی می¬توان بازده صندوق¬های مشترک را پیش¬بینی نمود و هر دو روش خطی و غیرخطی توانایی پیش¬بینی بازده صندوق¬ها را دارند اما عملکرد شبکه¬های عصبی مصنوعی بهتر می¬باشد. همچنین با استفاده از آزمون زوجی مشخص شد که بین میانگین بازده پیش-بینی شده و واقعی تفاوت معنی¬داری وجود ندارد. پرونده مقاله -
دسترسی آزاد مقاله
151 - بهینه‌سازی پارامترهای اندیکاتورهای تحلیل تکنیکال برای دادههای درون‌روزی با استفاده از الگوریتم الهام‌گرفته از پدیده‌های نوری: مطالعه موردی بورس تهران
محمد علی رستگار فرح آشوریدر 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 کاملدر 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
152 - ﭘﯿﺶﺑﯿﻨﯽ رفتار قیمتی سهام در ﺑﻮرس اوراق ﺑﻬﺎدار با استفاده از ﺷﺒﮑﻪی ﻋﺼﺒﯽ مصنوعی (مطالعه موردی شرکت پالایش نفت اصفهان)
حسین بدیعی روح اله رضازاده هادی محمودیشبکه های عصبی مصنوعی مدل هایی ریاضی می باشند که الهام گرفته از سیستم عصبی و مغز انسان می باشند. در این تحقیق هدف محقق بر آن است که به پیش بینی قیمت سهام روز بعد در بورس اوراق بهادار تهران با استفاده از مدل پرسپترون چند لایه از شبکههای عصبی مصنوعی بپردازد، و با روش های چکیده کاملشبکه های عصبی مصنوعی مدل هایی ریاضی می باشند که الهام گرفته از سیستم عصبی و مغز انسان می باشند. در این تحقیق هدف محقق بر آن است که به پیش بینی قیمت سهام روز بعد در بورس اوراق بهادار تهران با استفاده از مدل پرسپترون چند لایه از شبکههای عصبی مصنوعی بپردازد، و با روش های مختلف خطای این پیش بینی را بهبود بخشد. قیمت گذاری بالای سهام می تواند با کاهش تقاضا برای سهام در دست واگذاری، فرایندخصوصی سازی را با شکست مواجه سازد و قیمت گذاری نازل سهام نیز با ایجاد شبهات متعدد در زمینه نحوه واگذاری اموال عمومی، شکست درازمدت سیاست واگذاری را به دنبال دارد. باتوجه به اهمیت این مقوله،نو پابودن بازارسرمایه و نیز عدم وجود موسسات تامین سرمایه و بانکهای سرمایه‌گذاری در ایران، پیشبینی رفتار قیمت سهام و روند صعودی و یا نزولی بودن آن می‌تواند در تصمیمات و استراتژی‌های مدیران موثر باشد. مطالعه حاضر با هدف پیش بینی قیمت پایانی سهام با به کارگیری دادههای روزانه از طریق شبکه عصبی صورت پذیرفته است. نتایج بدست آمده نشان می دهد که مدل شبکه عصبی دارای خطای پایین و قدرت توضیح دهندگی بالا و در نتیجه از قدرت پیشبینی خوبی برخوردار می باشد. پرونده مقاله -
دسترسی آزاد مقاله
153 - پیش بینی خطر سقوط قیمت سهام با استفاده از روش های فرا ابتکاری ( الگوریتم بهینه سازی حرکت تجمعی ذرات) و مقایسه با رگرسیون لوجستیک
اسفندیار ملکیان حسین فخاری جمال قاسمی سروه فرزادریسک سقوط قیمت سهام ریسکی است که نشان می دهد تا چه اندازه قیمت سهام خاص درمعرض خطر سقوط قرار دارد. بر همین اساس هدف این پژوهش، مدل بندی پیش بینی خطر سقوط قیمت سهام شرکتهای پذیرفته شده در بورس اوراق بهادار تهران، با استفاده از الگوریتم بهینه سازی حرکت تجمعی ذرات بر مبنای چکیده کاملریسک سقوط قیمت سهام ریسکی است که نشان می دهد تا چه اندازه قیمت سهام خاص درمعرض خطر سقوط قرار دارد. بر همین اساس هدف این پژوهش، مدل بندی پیش بینی خطر سقوط قیمت سهام شرکتهای پذیرفته شده در بورس اوراق بهادار تهران، با استفاده از الگوریتم بهینه سازی حرکت تجمعی ذرات بر مبنای مدل چند متغیره و مقایسه نتایج با رگرسیون لوجستیک می باشد. بدین منظوریک فرضیه برای بررسی این موضوع تدوین و داده های مربوط به 106 شرکت عضو بورس اوراق بهادار تهران برای دوره ی زمانی بین سال های 1389تا 1393 مورد تجزیه و تحلیل قرار گرفت. ابتدا 14 متغیر مستقل به عنوان ورودی الگوریتم ترکیبی ژنتیک و شبکه عصبی مصنوعی که به عنوان یک روش انتخاب ویژگی در نظر گرفته شده است، وارد مدل گردید و 7 متغیر بهینه انتخاب شد سپس با استفاده از الگوریتم تجمعی ذرات و رگرسیون لجستیک اقدام به پیش بینی خطر سقوط قیمت سهام می نماییم. یافته های پژوهش نشان می دهد که الگوریتم تجمع ذرات نسبت به روش سنتی رگرسیون لجستیک توانایی بیشتری در پیش بینی خطر سقوط قیمت سهام دارد، بنابراین فرضیه پژوهش تایید می شود. پرونده مقاله -
دسترسی آزاد مقاله
154 - 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 زادهدر 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 کاملدر 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
155 - شبیه سازی بارش – رواناب با شبکه عصبی (مطالعه موردی: دشت نسا بم)
مهدی شاهرخی ساردو مجتبی جعفری کرمانیپورپیشبینی 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 کاملپیشبینی 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
156 - ارائه مدلی برای پیش بینی سطح معنویت در سازمان های ورزشی با رویکرد شبکه عصبی مصنوعی
سید احسان امیرحسینی ابوذر زارع -
دسترسی آزاد مقاله
157 - پیشبینی پارامترهای چسبندگی الیاف فولادی هوک شکل و بتن با استفاده از شبکههای عصبی مصنوعی
امیر ابراهیم اکبری بقالبا 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 کاملبا 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
سکوی نشر دانش
سند یا سکوی نشر دانش ،سامانه ای جهت مدیریت حوزه علمی و پژوهشی نشریات دانشگاه آزاد می باشد
پیوندهای سایت
مراکز مرتبط
پشتیبانی
صفحات رسمی
حقوق این وب‌سایت متعلق به سامانه مدیریت نشریات دانشگاه آزاد اسلامی است.
حق نشر © 1403-1400