شبکه عصبی پرسپترون

دسترسی آزاد مقاله

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

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

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

دسترسی آزاد مقاله

2 - طراحی سیستم معاملات تکنیکی سهام با استفاده از مدل ترکیبی شبکه عصبی MLP و الگوریتم‌های تکاملی
علیرضا سارنج احمدرضا قاسمی اصغر ارم رضا تهرانی

توسعه سیستم های معاملاتی سهام با استفاده از الگوریتم های تکاملی (EA) طی چند سال اخیر به موضوعی پرمخاطب در حوزه مالی مبدل ‌شده است. در پژوهش حاضر، سیستم معاملاتی تکنیکی هوشمند با بهره گیری از مدلی مرکب از شبکه عصبی MLP و الگوریتم‌های تکاملی شامل الگوریتم ژنتیک (GA)، الگو چکیده کامل

توسعه سیستم های معاملاتی سهام با استفاده از الگوریتم های تکاملی (EA) طی چند سال اخیر به موضوعی پرمخاطب در حوزه مالی مبدل ‌شده است. در پژوهش حاضر، سیستم معاملاتی تکنیکی هوشمند با بهره گیری از مدلی مرکب از شبکه عصبی MLP و الگوریتم‌های تکاملی شامل الگوریتم ژنتیک (GA)، الگوریتم بهینه‌سازی مورچگان پیوسته (ACOR) و الگوریتم بهینه‌سازی ازدحام ذرات (PSO) پیشنهادشده است. داده‌های مربوط به 15 شرکت منتخب طی سال‌های 1387 تا 1396 بر اساس دوره‌های کوتاه‌مدت و بلندمدت و همچنین روندهای بازار صعودی، نزولی و خنثی موردبررسی قرار گرفته اند. جهت انتخاب متغیرهای ورودی نهایی، از مقایسه رتبه بازدهی شاخص‌های تکنیکی بر اساس قواعد معاملاتی استفاده‌شده است. درنهایت، آزمون مقایسه زوجی بازدهی مدل‌ها در مقایسه با استراتژی خرید و نگهداری انجام شد و بازدهی مدل ها با یکدیگر مقایسه شده است. نتایج تحقیق نشان می دهد مدل های ترکیبی MLP و الگوریتم های تکاملی عملکرد بهتر و معناداری نسبت به روش خرید و نگهداری و مدل MLP-BP داشته است و مدل MLP_PSO بازدهی بیش تری نسبت به سایر مدل ها کسب کرده است. پرونده مقاله

دسترسی آزاد مقاله

3 - بررسی و پیش بینی اثرات نرخ بهره واقعی و نرخ ذخیره قانونی بر تورم، بیکاری و تولید حقیقی در ایران
سعید ایرانمنش

10.30495/jae.2023.74200.1491

ااینکه بهترین ابزار سیاست پولی چیست و اثرگذاری‌اش بر بخش‌های مختلف اقتصاد یک کشور چگونه است از مسائل مهم و کاربردی در سطح اقتصاد کلان است. ابزارهای سیاست پولی نظیر نرخ ذخیره قانونی و نرخ بهره از جمله ابزارهای مهم در این حیطه بشمار می آیند. در شرایط رکود تورمی کشور ایران چکیده کامل

ااینکه بهترین ابزار سیاست پولی چیست و اثرگذاری‌اش بر بخش‌های مختلف اقتصاد یک کشور چگونه است از مسائل مهم و کاربردی در سطح اقتصاد کلان است. ابزارهای سیاست پولی نظیر نرخ ذخیره قانونی و نرخ بهره از جمله ابزارهای مهم در این حیطه بشمار می آیند. در شرایط رکود تورمی کشور ایران، استفاده صحیح و به جا از این ابزارها مسئله بسیار مهمی خواهد بود. این مقاله به دنبال بررسی میزان و نحوه تأثیر نرخ بهره واقعی و نرخ ذخیره قانونی بر متغیرهای تورم، بیکاری و تولید حقیقی است. برای این منظور داده‌های سری زمانی اقتصاد ایران در بازه زمانی 1364-1400 توسط الگوریتم ازدحام ذرات و الگوریتم رقابت استعماری مورد تجزیه‌ و تحلیل قرار گرفته‌اند. علاوه بر این مقادیر نرخ تورم، نرخ بیکاری و تولید حقیقی تا افق زمانی 1414 به‌ وسیله شبکه عصبی پرسپترون چند لایه پیش‌بینی ‌شده است. نتایج حاکی از آن است که افزایش نرخ بهره واقعی موجب کاهش تولید حقیقی، افزایش تورم و افزایش بیکاری می شود. همچنین افزایش نرخ ذخیره قانونی منجر به کاهش تورم و افزایش تولید حقیقی می شود پرونده مقاله

دسترسی آزاد مقاله

4 - بررسی اثر تولید سبز بر رفتار نرخ ارز حقیقی در اقتصاد ایران و کشور های گروه شانگهای با رهیافت الگوریتم PSO و ARDL و شبکه عصبی پرسپترون چند لایه
سعید ایرانمنش سید عبدالمجید جلایی

10.30495/jae.2020.17802

انتشار کربن دی اکسید ناشی از فعالیت‌های تولیدی همه ساله هزینه‌های بالایی را بر اقتصاد کشورها وارد می‌‌کند، از این‌رو توجه به مبحث تولید سبز و تمرکز بر گسترش تولیدات با حداقل آلایندگی از جمله مباحث مهم در دنیای امروز محسوب می‌‌گردد. طبیعتا تولید بدون آلایندگی می‌تواند بر چکیده کامل

انتشار کربن دی اکسید ناشی از فعالیت‌های تولیدی همه ساله هزینه‌های بالایی را بر اقتصاد کشورها وارد می‌‌کند، از این‌رو توجه به مبحث تولید سبز و تمرکز بر گسترش تولیدات با حداقل آلایندگی از جمله مباحث مهم در دنیای امروز محسوب می‌‌گردد. طبیعتا تولید بدون آلایندگی می‌تواند بر متغیر‌های کلان اقتصادی از جمله نرخ ارز حقیقی اثرگذار باشد. از آنجا که در حال حاضر پیوستن ایران به گروه شانگهای از مباحث مطرح در سطح بین‌الملل است، در اینجا مطالعه مقایسه‌ای بین ایران و کشور‌های عضو گروه شانگهای پیرامون ارتباط بین تولید سبز با رفتار نرخ ارز حقیقی شده است. در این مقاله با استفاده از شبکه عصبی پرسپترون 10 لایه روند نرخ ارز حقیقی ایران تا سال 2020 پیش‌بینی شد. نتایج حاصل از الگوریتم بهینه‌سازی ازدحام ذرات در فضای نرم‌افزار MATLAB نشان داد که در کشور ایران، یک درصد تغییر در تولید سبز منجر به 32/0 درصد تغییر در نرخ ارز حقیقی می‌‌شود. علاوه بر این نتایج فرم بلندمدت ARDL، نشان داده شده است که در بلند مدت یک درصد تغییر در تولید سبز باعث می‌شود نرخ ارز حقیقی به میزان 58/0 درصد تغییر کند. پرونده مقاله

دسترسی آزاد مقاله

5 - پیش‌بینی جریان بر پایه‌ عدم قطعیت‌های موجود و ارزیابی نوسانات جریان زیست‌محیطی روی اکوسیستم‌ منابع تجدیدشونده حوضه سد طالقان
زهرا نفریه مهدی سرائی تبریزی حسین بابازاده حمید کاردان مقدم

10.30495/jrnr.2022.69887.10263

اهمیت بقای نسل گونه‌های نادر و حفظ تنوع زیستی کشور برای آیندگان و چرخه اکوسیستم با وجود محدودیت‌های منابع آب سطحی لزوم برنامه‌ریزی منابع آبی را نشان ‌می‌دهد. مولفه‌ مهم در بهینه‌سازی و مدیریت آب سطحی، پیش بینی های بلند‌مدت و کوتاه مدت جریان رودخانه است. پژوهش حاضر ب چکیده کامل

اهمیت بقای نسل گونه‌های نادر و حفظ تنوع زیستی کشور برای آیندگان و چرخه اکوسیستم با وجود محدودیت‌های منابع آب سطحی لزوم برنامه‌ریزی منابع آبی را نشان ‌می‌دهد. مولفه‌ مهم در بهینه‌سازی و مدیریت آب سطحی، پیش بینی های بلند‌مدت و کوتاه مدت جریان رودخانه است. پژوهش حاضر به منظور دستیابی به این مهم به مقایسه عملکرد دو مدل شبکه بیزینBN و شبکه عصبی MLP، طی هفده الگوی ساختاری پرداخت. سپس مقادیر زیست‌محیطی و شرایط زیستی آبزیان بررسی شد. داده های ماهانه هواشناسی و همچنین حجم آب انتقالی از پنج ایستگاه هیدرومتری ورودی به سد طالقان از سال 1385 تا 1397 به‌عنوان داده ورودی به مدل‌ها معرفی گردید و رواناب ورودی به سد به‌عنوان پیش بینی شونده لحاظ شد. در مرحله بعد با استفاده از روش هیدرولوژیک تنانت دبی‌های‌ ‌زیست‌محیطی محاسبه گردید و احتمال وقوع این دبی‌ها در داده‌های ثبتی و هفده الگو در محیط نرم افزار Easyfit محاسبه شد. سپس مقایسه‌ الگوهای منتخب با توجه به احتمال وقوع و معیار‌های شاخص، ضریب نش- ساتکلیف، جذر خطای میانگین مربعات و متوسط خطای پیش‌بینی مطلق انجام شد. با وجود 43/3 درصد تشابه بهترین الگو مدل BN در برابر 80 درصد تشابه در مدل MLP، مدل BN با معیار شاخص بهتر (3/98- ، 17/3 و 0/06) در مقابل مقادیر شاخص در مدل MLP (23/9 ،-10/3 و 122/3) دقت بهتری داشته است. همچنین مشخص شد حوضه با خطر ‌زیست‌محیطی مواجه است، زیرا مقادیر پیشنهادی برای جریان زیست‌محیطی در بعضی از ماه‌ها در طول دوره مطالعاتی از کل رواناب بیشتر بوده است. پرونده مقاله

دسترسی آزاد مقاله

6 - ارائه مدل طبقه بندی هوشمند مبتنی بر شبکه عصب مصنوعی پرسپترون (MLP) و تحلیل سلسله مراتبی (AHP) در خدمات بازاریابی دیجیتال برای اولویت بندی ریسک نقدینگی و سرمایه گذاری
علیرضا عاشوری رودپشتی هرمز مهرانی کریم حمدی

مطالعه حاضر با استفاده از تکنیک‌های یادگیری ماشین و نظرکاوی کوشیده است تا بتواند مدل راهبردی خودکار به منظور طبقه‌بندی و کاوش نظرات ارائه شده در مورد خدماتی خاص که در این مورد در حوزه ی سرمایه گذاری بررسی شده است را با استفاده از بررسی نتایج به دست آمده در خدمات بازاریا چکیده کامل

مطالعه حاضر با استفاده از تکنیک‌های یادگیری ماشین و نظرکاوی کوشیده است تا بتواند مدل راهبردی خودکار به منظور طبقه‌بندی و کاوش نظرات ارائه شده در مورد خدماتی خاص که در این مورد در حوزه ی سرمایه گذاری بررسی شده است را با استفاده از بررسی نتایج به دست آمده در خدمات بازاریابی دیجیتال ارائه نماید. مدل مبتنی بر شبکه عصبی با شناسایی نظرات مرتبط، خصوصیات مختلف را در سطوح گوناگون ارزشیابی سنجیده و نظرات را بسته به کیفیت ارائه بصورت خودکار طبقه-بندی می‌نماید. بحران‌های مالی موجود در نظام‌های بانکی معمولاً ناشی از عدم توانایی در مدیریت ریسک‌های مالی و نقدینگی است که عاملی بر عدم شفافیت و توانایی در مدیریت سرمایه می‌باشد. بطوری‌که وجود چنین عدم‌قطعیت‌هایی سبب کاهش علاقه-مندی سرمایه‌گذاران در مشارکت‌های صنعتی و اجرایی گردیده است. این مقاله با هدف شناسایی عوامل موثر بر ریسک نقدینگی و همچنین ارائه مدلی هوشمند جهت پیش‌بینی و طبقه‌بندی عوامل ایجادکننده ریسک نقدینگی، شناسایی و اولویت‌بندی فاکتورهای درگیر آن پایه‌ریزی گردیده است. بدین منظور از روش سنجش هوشمند با بکارگیری شبکه عصبی پرسپترون (MLP) بهره گرفته شده که به عنوان یک رویکرد کاربردی هوش مصنوعی بشمار می‌آید. بدین منظور بررسی های لازم بر روی اطلاعات مالی و نقدینگی در شعب بانک ملت در شهر تهران (مشتمل بر ۳۶ شعبه) مورد توجه بوده و برای جامعه نمونه از مجموعه تصادفی خوشه‌ای از۳۷۴ نفر از مشتریان و سرمایه‌گذاران منتخب بهره گرفته شده است. پرونده مقاله

دسترسی آزاد مقاله

7 - پیش بینی کوتاه مدت بار استان چهارمحال و بختیاری با استفاده از اجماع شبکه های عصبی
اسحاق فرجی محسن میرزائیان حمید پروین علی چمکوری مجید محمدپور

پیش بینی کوتاه مدت بار در بازار برق اهمیت زیادی دارد. از طرفی عوامل مهم تأثیرگذار بر پیش بینی کوتاه مدت بار به ویژگی های بار الکتریکی و آب و هوایی هر منطقه بستگی دارد، بنابراین با استفاده از داده های واقعی استان چهارمحال و بختیاری-شامل بار و دما- به پیش بینی کوتاه مدت ب چکیده کامل

پیش بینی کوتاه مدت بار در بازار برق اهمیت زیادی دارد. از طرفی عوامل مهم تأثیرگذار بر پیش بینی کوتاه مدت بار به ویژگی های بار الکتریکی و آب و هوایی هر منطقه بستگی دارد، بنابراین با استفاده از داده های واقعی استان چهارمحال و بختیاری-شامل بار و دما- به پیش بینی کوتاه مدت بار الکتریکی استان پرداخته ایم. بدین منظور با استفاده از چهار روش مختلف شبکه عصبی پرسپترون (MLp < /strong>)، مجمعی از شبکه عصبی پرسپترون (MLP Ensemble)، شبکه SVM(Support Vector Machine) و مجمعی از شبکه SVM به پیش بینی کوتاه مدت بار استان چهار محال و بختیاری پرداختیم. نتایج حاصل از مقایسه این چهار روش نشان می دهد که مجمعی از شبکه عصبی پرسپترون بهترین روش به منظور پیش بینی کوتاه مدت بار می باشد. پرونده مقاله

دسترسی آزاد مقاله

8 - پیش‌بینی و مدل‌سازی خشک‌سالی به روش هیبریدی موجک و الگوریتم‌های شبکه عصبی
جهانبخش محمدی علیرضا وفایی نژاد سعید بهزادی حسین آقامحمدی امیر هومن حمصی

10.30495/girs.2022.687669

پیشینه و هدف بحران خشک‌سالی یک دوره خشک آب و هوایی است که در هر نقطه از جهان و با هر اقلیمی ممکن است رخ دهد. این بحران اگرچه به‌آرامی شروع می‌شود اما می‌تواند برای مدتی طولانی تأثیر جدی بر سلامت، محصولات کشاورزی، اقتصاد، انرژی و محیط‌زیست بگذارد. خشک‌سالی معیشت و سلامت چکیده کامل

پیشینه و هدف بحران خشک‌سالی یک دوره خشک آب و هوایی است که در هر نقطه از جهان و با هر اقلیمی ممکن است رخ دهد. این بحران اگرچه به‌آرامی شروع می‌شود اما می‌تواند برای مدتی طولانی تأثیر جدی بر سلامت، محصولات کشاورزی، اقتصاد، انرژی و محیط‌زیست بگذارد. خشک‌سالی معیشت و سلامت انسان‌ها را به‌شدت تهدید می‌کند و خطر ابتلا به انواع بیماری‌ها را افزایش می‌دهد. ازاین‌رو مدل‌سازی و پیش‌بینی خشک‌سالی از موضوعات مهم و جدی در جوامع علمی است. درگذشته از مدل‌های ریاضی و آماری مانند روش رگرسیون ساده، خودرگرسیون‌گیری (AR)، میانگین متحرک (MA) و نیز ARIMA جهت مدل‌سازی خشک‌سالی استفاده می‌شد. در سال‌های اخیر استفاده از روش‌های یادگیری ماشین و هوش محاسباتی جهت مدل‌سازی و پیش‌بینی خشک‌سالی بسیار موردتوجه دانشمندان بوده است. ازجمله از الگوریتم‌های هوش محاسباتی که توسط دانشمندان جهت مدل‌سازی خشک‌سالی قبلاً موردتوجه قرارگرفته است می‌توان به شبکه عصبی پرسپترون چندلایه، شبکه عصبی RBF، ماشین بردار پشتیبان، روش‌های فازی و فازی عصبی اشاره کرد. در این تحقیق هدف مدل‌سازی و پیش‌بینی خشک‌سالی با بهره‌گیری از سه الگوریتم شبکه عصبی شامل پرسپترون چندلایه، شبکه عصبی RBF و شبکه عصبی رگرسیون تعمیم‌یافته است. شاخص خشک‌سالی استفاده‌شده در این تحقیق شاخص استانداردشده بارش (SPI) است. در این تحقیق از تکنیک موجک در تلفیق با الگوریتم‌های شبکه عصبی مصنوعی جهت مدل‌سازی و پیش‌بینی خشک‌سالی در 10 ایستگاه سینوپتیک در کشور ایران (آبادان، بابلسر، بندرعباس، کرمان، مشهد، رشت، سقز، تهران، تبریز و زاهدان) در اقلیم‌های مختلف و با توزیع مکانی مناسب در کل کشور ایران استفاده‌شده است.مواد و روش ها در این تحقیق در ابتدا با استفاده از داده‌های بارش ماهانه بین سال‌های 1961 تا 2017 شاخص خشک‌سالی SPI در مقیاس‌های زمانی 3، 6، 12، 18، 24 و 48 ماهه از طریق برنامه‌نویسی در محیط نرم‌افزار MATLAB پیاده‌سازی شد. نتایج این مرحله با استفاده از نرم‌افزارهای علمی موجود MDM و Drinc صحت سنجی شد. در ادامه با استفاده از زنجیره مارکوف به طراحی مدل‌های پیش‌بینی پرداخته شد. در این تحقیق درمجموع از شش مدل هوش محاسباتی شامل سه مدل منفرد شبکه عصبی پرسپترون چندلایه (MLP)، شبکه عصبی تابع پایه شعاعی (RBF) و شبکه عصبی رگرسیون تعمیم‌یافته (GRNN) و سه مدل ترکیبی (هیبریدی) موجک با این سه مدل به‌صورت (WMLP-WRBF-WGRNN) جهت مدل‌سازی و پیش‌بینی شاخص SPI در 10 ایستگاه این تحقیق استفاده‌شده است. در پیاده‌سازی تمامی این شش مدل از محیط برنامه‌نویسی نرم‌افزار MATLAB استفاده‌شده است. در این تحقیق ابتدا از چهار نوع موجک گسسته شامل دابیشز (Daubechies)، سیملت (Symlets)، کویفلت (Coiflets) و دوضلعی (Biorthogonal) استفاده شد، به دلیل عملکرد بهتر موجک دابیشز، از این نوع موجک در تحقیق به‌عنوان گزینه نهایی استفاده شد. در موجک دابیشز استفاده‌شده در بین مرتبه‌های 1 تا 45، مرتبه 3 بهترین عملکرد را در بین مقیاس‌های زمانی مختلف SPI از خود نشان داد، به همین دلیل از موجک دابیشز مرتبه 3 در تمامی مدل‌های ترکیبی این تحقیق استفاده شد. بعد از آموزش همه شش الگوریتم استفاده‌شده نتایج با معیارهای ارزیابی ضریب تعیین (R2) و جذر میانگین مربعات خطا (RMSE) جهت اندازه‌گیری اختلاف بین مقادیر واقعی و برآورد شده استفاده‌شده است.نتایج و بحث نتایج این تحقیق نشان داد که روش‌های هوش محاسباتی دقت بالایی در مدل‌سازی و پیش‌بینی شاخص خشک‌سالی SPI دارند. در مرحله اول نتایج نشان داد که مدل‌های منفرد MLP، RBF و GRNN درصورتی‌که به‌طور صحیح آموزش داده شوند نتایجی نزدیک به هم در مدل‌سازی و پیش‌بینی شاخص خشک‌سالی SPI دارند. در مرحله بعد مشاهده شد که تکنیک موجک باعث بهبود نتایج مدل‌سازی خواهد شد. در استفاده از تکنیک موجک در تلفیق با سه مدل منفرد MLP، RBF و GRNN انتخاب نوع موجک نیز در مدل‌سازی بهتر مؤثر است، به‌نحوی‌که در این تحقیق ابتدا از چهار نوع موجک گسسته دابیشز، سیملت، کویفلت و دوضلعی در تلفیق با سه مدل منفرد این تحقیق استفاده شد که نتایج این چهار نوع موجک نشان از برتری نسبی موجک دابیشز نسبت به سه موجک دیگر بود. در استفاده از موجک دابیشز نیز از آنجایی این موجک 45 مرتبه دارد و انتخاب مرتبه نیز در مدل‌سازی مؤثر بود با آزمایش 45 مرتبه موجک مشاهده شد که موجک مرتبه 3 در حالت کلی دارای دقت بالاتری در تمامی مقیاس‌های زمانی شاخص SPI (3، 6، 12، 18، 24 و 48 ماهه) و نیز در هر سه الگوریتم MLP، RBF و GRNN دارد. ازاین‌رو در این تحقیق از موجک مرتبه سوم دابیشز در هر سه الگوریتم این تحقیق و نیز در همه مقیاس‌های زمانی استفاده شد. نتایج تحقیق نشان داد که تلفیق تکنیک موجک با هر سه مدل MLP، RBF و GRNN باعث بهبود نتایج خواهد شد. نمودارهای تحقیق نشان داد که برای مقیاس زمانی سه‌ماهه مقادیر به‌دست‌آمده از پیش‌بینی مدل منفرد در مدل‌سازی MLP و RBF تا حدودی دارای اختلاف‌فاز یک‌ماهه نسبت به مدل هیبریدی هست، درحالی‌که در مدل GRNN این اختلاف پیش‌بینی کم هست. نتایج مدل‌سازی برای هر دو حالت مدل‌سازی منفرد و هیبریدی بیانگر عدم وجود اختلاف‌فاز بین دو روش مدل‌سازی منفرد و هیبریدی درمقیاس‌های زمانی 6، 12، 18، 24 و 48 است. برای مقیاس زمانی 12 و 24 ماهه، مدل منفرد GRNN دارای نوسانات و خطای بیشتری در مدل‌سازی و پیش‌بینی ماهانه SPI بوده است درحالی‌که مدل هیبریدی در این دو مقیاس زمانی به‌مراتب رفتار بهتری در مدل‌سازی و پیش‌بینی ماهانه داشته است. نمودارهای پراکنش داده‌های مربوط به SPI مشاهداتی ایستگاه آبادان نشان داد که نتایج مدل‌سازی برای حالت منفرد و هیبریدی در مقیاس‌های زمانی 3 و 6 ماهه دقت کمتری نسبت به دیگر مقیاس‌های زمانی دارد و جدایی خط برازش و همچنین میزان عدم قطعیت آن بیشتر است. هرچند در همه مدل‌های شبکه عصبی و در تمامی مقیاس‌های زمانی روش هیبریدی دقت بیشتری از خود نشان داده است. نتایج عددی تحقیق نشان‌دهنده این است که در تمامی SPI ها و ایستگاه‌های موردمطالعه، مقادیر تفاضلی R2 مثبت است که بیانگر مقادیر بیشتر R2 مدل هیبریدی نسبت به مدل‌سازی‌های شبکه عصبی منفرد است که به نحوی نشان‌دهنده بهبود مدل‌سازی هیبریدی نسبت به مدل‌های منفرد است. همچنین مقادیر تفاضلی RMSE نیز در کلیه مدل‌های موردبررسی و ایستگاه‌های موردمطالعه منفی است که نشان‌دهنده کمتر بودن مقدار RMSE در پیش‌بینی مدل‌های هیبریدی نسبت به مدل‌های منفرد شبکه عصبی است. در گراف‌های تحقیق دیده می‌شود که مقدار اختلاف‌ها در RMSE و R2 بیانگر میزان اختلاف بیشتر در مقیاس‌های زمانی 3 و 6 نسبت به مقیاس‌های زمانی 12، 18، 24 و 48 است که به نحوی به ماهیت داده‌های این مقیاس‌های زمانی برمی‌گردد. به ترتیب بیشترین بهبود در مقدار R2 و RMSE از مقیاس پایین 3 ماهه به سمت مقیاس‌های زمانی بالاتر 48 ماهه است.نتیجه گیری از یافته‌های این تحقیق می‌توان نتیجه گرفت که الگوریتم‌های شبکه عصبی مصنوعی روش‌های کارآمدی در مدل‌سازی و پیش‌بینی شاخص خشک‌سالی SPI می‌باشند. همچنین استفاده از موجک در هر سه مدل شبکه عصبی مصنوعی باعث بهبود نتایج خواهد شد. همچنین می‌توان نتیجه گرفت که برای مدل‌سازی بهتر شاخص خشک‌سالی SPI لازم است نوع و مرتبه موجک بهینه انتخاب شود. از نتایج این تحقیق می‌توان نتیجه‌گیری کرد که تکنیک موجک تأثیر بیشتری در مقیاس‌های زمانی پایین‌تر یعنی 3 و 6 ماهه نسبت به مقیاس‌های بالاتر یعنی 24 و 48 ماهه دارد. پرونده مقاله

دسترسی آزاد مقاله

9 - طراحی روشی به منظور حذف کاف از دستگاه پلی گراف در آزمون دروغ سنجی با استفاده از شبکه عصبی پرسپترون چند لایه
محمدامین یونسی‌هروی مهدی آذرنوش

در دروغ سنجی متداول، برای اندازه گیری تغییرات نسبی فشارخون از یک کاف استفاده می گردد. در این مطالعه هدف ارائهروشی برای حذف کاف است؛ به گونه ای که اطلاعات فشارخون سرخرگی به نحو مناسب دیگری به دست آید. برای این منظوربر اساس ارتباط حجم خون شریانی و فشار خون، مدلی برای تخمی چکیده کامل

در دروغ سنجی متداول، برای اندازه گیری تغییرات نسبی فشارخون از یک کاف استفاده می گردد. در این مطالعه هدف ارائهروشی برای حذف کاف است؛ به گونه ای که اطلاعات فشارخون سرخرگی به نحو مناسب دیگری به دست آید. برای این منظوربر اساس ارتباط حجم خون شریانی و فشار خون، مدلی برای تخمین سیگنال تغییرات فشار خون ارائه می شود . مدلسازی با یکشبکه عصبی پرسپترون چندلایه انجام شده است. خروجی مدل ارائه شده با سیگنال تغییرات فشارخون، در 3 سطح سیگنال، ویژگیو طبقه بندی بررسی شده و با ارائۀ معیارهای ارزیابی مناسب، اعتبار مدل مورد سنجش قرار گرفته است. نتایج ارزیابی مدل نشان داد4 می تواند سیگنال تغییرات فشار خون را تخمین بزند. همچنین / 9 وتوان نسبی خطای % 4 / که مدل ارائه شده با مقدار خطای نسبی % 8با به کارگیری سیگنال تخمینی تغییرات فشار خون، 80 % صحت تشخیص دروغ به دست آمد که برابر با نتایج حاصل از کاف استو قابل قیاس با کارهای مشابه میباشد. بنابراین مطالعه حاضر با تخمین تغییرات فشار خون بر اساس حجم خون شریانی ب ه درصدصحت قابل مقایسه ای دست یافته است و می تواند بدون استفاده از کاف فشار خون به عنوان روش مناسبی برای سیستم های پلی -گرافی دروغ سنجی پیشنهاد شود. پرونده مقاله

دسترسی آزاد مقاله

10 - تهیه‌ی نقشه‌ی حساسیت به وقوع زمین لغزش با استفاده از مدل شبکه عصبی پرسپترون چند لایه از نوع پیش‌خور پس انتشار (BP)
سید رضا حسین زاده مسعود مینایی حمید نزاد سلیمانی مهوش نداف سنگانی

1710-1037

با توجه به توانایی‌های شبکه‌های عصبی مصنوعی، کاربرد آ‌ن‌ها در رشته‌های مختلف مهندسی و علوم زمین گسترش قابل ملاحضه‌ای داشته است. در این پژوهش برای پهنه‌بندی زمین‌لغزش در حوضه آبریز بار نیشابور از مدل شبکه عصبی پرسپترون چند لایه از نوع پیش‌خور پس انتشار (BP) استفاده شد. ه چکیده کامل

با توجه به توانایی‌های شبکه‌های عصبی مصنوعی، کاربرد آ‌ن‌ها در رشته‌های مختلف مهندسی و علوم زمین گسترش قابل ملاحضه‌ای داشته است. در این پژوهش برای پهنه‌بندی زمین‌لغزش در حوضه آبریز بار نیشابور از مدل شبکه عصبی پرسپترون چند لایه از نوع پیش‌خور پس انتشار (BP) استفاده شد. هدف نهایی از این پژوهش ارائه نقشه خطر زمین‌لغزش جهت ارزیابی وقوع آن با استفاده از روش شبکه عصبی مصنوعی می‌باشد. جهت ارزیابی شبکه عصبی ایجاد شده، داده‌های 32 زمین‌لغزش اتفاق افتاده به سیستم ارائه گردید. این پایگاه داده شامل اطلاعات مربوط به شیب، جهت شیب، لیتولوژی، مدل ارتفاع رقومی (DEM)، نقشه هم‌باران، فاصله از گسل و کاربری اراضی می‌باشد. این داده‌ها جهت تغذیه به شبکه عصبی ایجاد شده، بر اساس بزرگترین مقدار موجود هر داده در بانک اطلاعاتی بین صفر و یک نرمالیزه گردید. سپس داده‌های نرمالیزه شده به یک شبکه عصبی پرسپترون سه لایه تغذیه شونده به جلو(Feed forward) با الگوریتم پس انتشار خطا (Back error propagation) تغذیه گردید. داده‌های فوق ابتدا در شبکه آموزش دیده و سپس مورد آزمایش قرار گرفتند. ساختار نهایی شبکه دارای 7 نرون در لایه ورودی، 20 نرون در لایه میانی و یک نرون در لایه خروجی می‌باشد. در این بین 80 درصد اطلاعات برای آموزش و 20 درصد باقیمانده برای آزمایش در نظر گرفته شد. دقت شبکه در مرحله آزمایش 25/91 درصد برآورد گردید. خروجی به‌دست آمده از شبکه عصبی با اختلاف 2/0 به پنج پهنه تقسیم‌بندی شد. بر اَساس این پهنه‌بندی 50/8، 52/11، 92/17، 45/39، 61/22 درصد از مساحت منطقه به‌ترتیب در کلاس‌های خطر پایدار، کم خطر، متوسط، زیاد و خیلی زیاد قرار گرفته است. نتایج حاصل نشان داد که ساختار زمین شناسی تشکیل یافته از مارن‌های خاکستری با میان لایه‌های آهکی(سازند دلیچای) و همچنین فعالیت‌های تکتونکی گسل‌های منطقه باعث شده که حوضه آبخیز بار از قابلیت بالایی در رخداد زمین‌لغزش برخوردار شود. پرونده مقاله

دسترسی آزاد مقاله

11 - تشخیص عیوب ماشینهای دوار با آنالیز ارتعاشات و استفاده از شبکه ‏عصبی
سید مجید عطایی اردستانی

مبنای تشخیص معایب احتمالی یک ماشین، مقایسه طیف‌های فرکانسی ارتعاشات نقاط مختلف آن با طیف‌های مرجع موجود است. استفاده از این روش عیب‌یابی مقرون به صرفه است چرا که بدون نیاز به توقف ماشین، می‌توان وضعیت نقاط مختلف آن را تحت بررسی قرار داد و همچنین فقط در مواقع لازم و چکیده کامل

مبنای تشخیص معایب احتمالی یک ماشین، مقایسه طیف‌های فرکانسی ارتعاشات نقاط مختلف آن با طیف‌های مرجع موجود است. استفاده از این روش عیب‌یابی مقرون به صرفه است چرا که بدون نیاز به توقف ماشین، می‌توان وضعیت نقاط مختلف آن را تحت بررسی قرار داد و همچنین فقط در مواقع لازم و با توجه به میزان پیشرفت عیوب احتمالی، می‌توان اقدام به تعمیر آن نمود. در این تحقیق، از شبکه‌ی عصبی پرسپترون چند لایه ( MLP ) و شبکه عصبی پیشخور ( FNN ) استفاده شده است. همچنین عیوب متداول در ماشین‌آلات دوار بطور جداگانه ایجاد شد و فرکانس ارتعاشی تولیدی توسط دستگاه آنالیزور ADASH 4400&lrm; اندازه‌گیری گردید. با معرفی چهار ویژگی ارتعاشی شامل ناهمراستایی زاویه‌ای، لقی، خرابی و نابالانسی بیرینگ بعنوان داده‌های ورودی به شبکه‌های عصبی مصنوعی، نتایج با سیگنالهای فرکانسی مرجع مقایسه گردید. &lrm; &lrm;نتایج نشان می‌دهد که شبکه‌های عصبی MLP و FNN به ترتیب تا 73% و 78% توانایی تشخیص عیوب را دارند. بنابراین روش FNN برای پیش‌بینی و شناسایی عمر مفید قطعات دوار پیشنهاد می‌گردد. پرونده مقاله

دسترسی آزاد مقاله

12 - پهنه‌بندی خطر ناپایداری‌های دامنه‌ای در جاده‌های کوهستانی با استفاده از شبکه عصبی مصنوعی(MLP)مطالعه موردی:( تنگه دره دیز)
شهرام روستائی فاطمه خدائی

تنگه دره دیز یکی از مخاطره آمیزترین تنگه های استان آذربایجان شرقی، از لحاظ وقوع ناپایداری های دامنه ای است. با توجه به انطباق این تنگهبا تنها جاده ارتباطی شهرستان مرند – جلفا، یکی از بهترین راه های نگهداری وحفظ امنیت این مسیر، شناسایی مناطق و نقاط بحرانی و به عبار چکیده کامل

تنگه دره دیز یکی از مخاطره آمیزترین تنگه های استان آذربایجان شرقی، از لحاظ وقوع ناپایداری های دامنه ای است. با توجه به انطباق این تنگهبا تنها جاده ارتباطی شهرستان مرند – جلفا، یکی از بهترین راه های نگهداری وحفظ امنیت این مسیر، شناسایی مناطق و نقاط بحرانی و به عبارتی پهنه بندی خطر وقوع ناپایداری دامنه ای این تنگه است. در این راستا در ابتدا داده های مورد نیاز جمع آوری و سپس پردازش گردیدند و سپس لایه های اطلاعاتی لازم در محیطGIS، تهیه گردیده و سپسنقشه پهنه بندی خطر ناپایداری در نرم افزار IDRISIو در محیط شبکه عصبی مصنوعی پرسپترون چند لایه (MLP) با ساختار 1-10-15تهیّه گردید و مناطق مستعد وقوع خطر ناپایداری های دامنه ای درمحدوده مورد مطالعه در پنج کلاس خطربسیار بالا، بالا، متوسط، پایین و بسیارپایین مشخص شد. بر طبق نتایج حاصل عواملی مانند شیب و فاصله از گسل مهمترین عوامل تاثیر گذار در وقوع ناپایداری های دامنه ای در تنگه دره دیز و در نهایت سبب ناامنی هر چه بیشتر جاده می باشند. پرونده مقاله

دسترسی آزاد مقاله

13 - هیه نقشه کاربری اراضی شهر سبزوار با استفاده از روش‌های حداکثر احتمال و شبکه عصبی مصنوعی پرسپترون چند لایه
الهه اکبری مجید ابراهیمی ابوالقاسم امیر احمدی

از جمله عوامل مهم در برنامه‌ریزی و مدیریت شهری، به ویژه در راستای نیل به توسعه‌ی پایدار در نواحی شهری و استفاده بهینه از سرزمین، اطلاع بهنگام از وضعیّت پوشش اراضی برای این مناطق است. داده‌های سنجش از دور به جهت ارائه‌ی اطلاعات به هنگام و رقومی، تنوع اشکال و امکان پردازش چکیده کامل

از جمله عوامل مهم در برنامه‌ریزی و مدیریت شهری، به ویژه در راستای نیل به توسعه‌ی پایدار در نواحی شهری و استفاده بهینه از سرزمین، اطلاع بهنگام از وضعیّت پوشش اراضی برای این مناطق است. داده‌های سنجش از دور به جهت ارائه‌ی اطلاعات به هنگام و رقومی، تنوع اشکال و امکان پردازش پتانسیل بالایی برای تهیه‌ی نقشه‌های به روز کاربری اراضی شهری دارند. در این تحقیق با استفاده از تصویر ماهواره‌ای Landsat/ETM+ و دو الگوریتم طبقه‌بندی نظارت شده شامل حداکثر احتمال و شبکه عصبی مصنوعی، نقشه کاربری اراضی تهیه و با یکدیگر مقایسه گردید. در طبقه‌بندی با استفاده از الگوریتم شبکه عصبی از یک شبکه پرسپترون با یک لایه پنهان و 7 نرون ورودی، 9 نرون میانی و 4 نرون خروجی استفاده شده است که تعداد نرون‌های ورودی همان تعداد باندهای تصویر ماهواره‌ای لندست و تعداد نرون‌های خروجی همان تعداد کلاس‌های نقشه کاربری اراضی می‌باشد. در نهایت نقشه پوشش اراضی منطقه به چهار طبقه‌ی مناطق مسکونی، اراضی بایر، پوشش گیاهی و جادّه طبقه‌بندی شد. برای ارزیابی صحّت نتایج طبقه‌بندی، برداشت‌های زمینی با استفاده از GPS انجام گرفت. نتایج حاصل از ارزیابی دقت این دو روش با استفاده از صحت کلی و ضریب کاپا نشان داده است که الگوریتم شبکه عصبی پرسپترون با دقت کلی 24/98 و ضریب کاپای 9703/0 نسبت به الگوریتم حداکثر احتمال با دقت کلی 23/94 و ضریب کاپای 9034/0 از دقت بیش تری برخوردار است. همچنین در این تحقیق ارزیابی شد که روش طبقه‌بندی شبکه‌ی عصبی پرسپترون چند لایه، نسبت به روش حداکثر احتمال، از توان تفکیک و قابلیت بیش تری برای تهیه‌ی نقشه پوشش اراضی در مناطق شهری برخوردار می‌باشد. پرونده مقاله

دسترسی آزاد مقاله

14 - ارایه مدل بهینه ریسک اعتباری فرایند تامین مالی جمعی با استفاده از شبکه عصبی پرسپترون چندلایه (MLP)
علی ملکی علی زارع هاشم نیکومرام شادی شاهوردیانی

هدف مطالعه حاضر، پیش‌بینی و ارایه مدل ریسک اعتباری جهت سرمایه‌پذیران تأمین ‌مالی جمعی مبتنی بر بدهی است. با توجه به پیچیدگی ارزیابی ریسک، بهترین معماری شبکه عصبی الگوریتم پرسپترون چند لایه برای شبیه‌سازی انتخاب شد. جامعه آماری این پژوهش، اطلاعات مالی پرونده‌ اعتباری/تسه چکیده کامل

هدف مطالعه حاضر، پیش‌بینی و ارایه مدل ریسک اعتباری جهت سرمایه‌پذیران تأمین ‌مالی جمعی مبتنی بر بدهی است. با توجه به پیچیدگی ارزیابی ریسک، بهترین معماری شبکه عصبی الگوریتم پرسپترون چند لایه برای شبیه‌سازی انتخاب شد. جامعه آماری این پژوهش، اطلاعات مالی پرونده‌ اعتباری/تسهیلاتی کلیه مشتریان (506 مورد) یکی از بانک‌های کشور مربوط به سال 98-97 است. به منظور معناداری رابطه شاخص‌های استخراج شده از نمونه با متغیر خروجی مدل (نکول و عدم نکول) اعضای نمونه توسط آزمون رگرسیون سنجیده شد. بدین ترتیب تعداد13شاخص به‌عنوان بردار ورودی شبکه عصبی با سه لایه پنهان در دو گروه نکول و عدم نکول وارد مدل گردید. بر اساس نتایج شبیه‌سازی، مدل پیشنهادی توانست با خطای کمتر و دقت پیش‌بینی بالاتر (94.1) وزن هریک از شاخص‌های ورودی به شبکه را محاسبه کند. همچنین ضریب تعیین برای داده‌های آموزشی برابر (0.88)، آزمایش برابر (0.94) و ارزیابی برابر (0.84) بدست آمد که نشان دهنده توانایی برازش بالای مدل شبکه عصبی پیشنهادی است. یافته‌های پژوهش نشان داد، از میان شاخص‌های ورودی، درآمدخالص، با وزنی معادل 0.163، میانگین حساب جاری با وزنی معادل 0.123 به مراتب از اهمیت بیشتر و شاخص سابقه تحصیلات با وزنی معادل 0.053 از اهمیت کمتری در گروه عدم نکول شده برخوردار است. پرونده مقاله

دسترسی آزاد مقاله

15 - بررسی توان تبیین مدل های شبکه عصبی درسنجش میزان ارزش در معرض خطر
فرهاد غفاری هاشم نیکومرام غلامرضا زمردیان

از آنجائیکه خلق ثروت و ایجاد اشتغال در یک جامعه جز از طریق سرمایه گذاری امکان پذیر نیست و از طرف دیگر با توجه به پیچیده تر شدن روابط بین متغیرهای تاثیر گذار بر سرمایه گذاری همیشه سرمایه گذاری در خطر نابودی قرار دارد، بنابراین پیدا نمودن راهکارهای که بتواند حدی از خطر را چکیده کامل

از آنجائیکه خلق ثروت و ایجاد اشتغال در یک جامعه جز از طریق سرمایه گذاری امکان پذیر نیست و از طرف دیگر با توجه به پیچیده تر شدن روابط بین متغیرهای تاثیر گذار بر سرمایه گذاری همیشه سرمایه گذاری در خطر نابودی قرار دارد، بنابراین پیدا نمودن راهکارهای که بتواند حدی از خطر را پیش بینی نماید، می تواند رضایت بخش باشد. در نتیجه تصمیمات سرمایه گذاری افراد حقیقی و حقوقی بشدت تحت تاثیر این راهکارها قرار می گیرند و برای کاهش ریسک ناشی از این تغییرات می بایست یک پرتفوی مطلوب تعیین نموده تا از ره گذر این تغییرات کمترین آسیب را ببینند، معامله گران در بازارهای سرمایه از مدلهای متفاوتی جهت تعیین ارزش در معرض خطر پرتفوی خود استفاده می نمایند، که هر کدام از این مدلها جهت تعیین ارزش در معرض خطر پرتفوی از مفروضات خاصی استفاده می نمایند. این پژوهش سعی دارد که از طریق شبکه عصبی ارزش در معرض خطر پرتفوی واقعی 21 شرکت سرمایه گذاری که در بازار سرمایه کشور به فعالیت می پردازند، را مورد بررسی قرار داده و قدرت پیش بینی آنرا مشخص کند. پرونده مقاله

دسترسی آزاد مقاله

16 - ارائه مدلی جهت پیش‌بینی قیمت سهام با استفاده از روش‌های فرا ابتکاری و شبکه‌های عصبی
سید حسین میرعلوی زهرا پورزمانی

به دلیل پیچیدگی بازار بورس و حجم بالای اطلاعات مورد پردازش، اغلب استفاده از یک سیستم ساده برای پیش‌بینی نتایج خوبی به همراه ندارد. به همین دلیل محققان با ارائه‌ی مدل‌های ترکیبی سعی در ارائه‌ی سیستمی با پیچیدگی کمتر و کارایی و دقت بیشتر کرده‌اند. امروزه از الگوهای مختلفی چکیده کامل

به دلیل پیچیدگی بازار بورس و حجم بالای اطلاعات مورد پردازش، اغلب استفاده از یک سیستم ساده برای پیش‌بینی نتایج خوبی به همراه ندارد. به همین دلیل محققان با ارائه‌ی مدل‌های ترکیبی سعی در ارائه‌ی سیستمی با پیچیدگی کمتر و کارایی و دقت بیشتر کرده‌اند. امروزه از الگوهای مختلفی مانند: تکنیک های آماری (تحلیل تشخیصی، لوجیت و آنالیز فاکتوری) و تکنیک های هوش مصنوعی (شبکه های عصبی، درخت تصمیم گیری، استدلال مبتنی بر موضوع، الگوریتم ژنتیک، مجموعه های سخت، ماشین بردار تکیه گاه و منطق فازی) و یا ترکیبی از این دو تکنیک برای پیش بینی قیمت سهام استفاده می شود. در اکثر مدل‌های پیش‌بینی کننده، سیستم فقط با استفاده از اطلاعات یک شاخص به پیش‌بینی می‌پردازد، اما در مدل پیشنهادی در این پژوهش یک سیستم دو سطحی از شبکه‌های عصبی پرسپترون چندلایه پیشنهاد شده و از چندین شاخص برای پیش‌بینی استفاده می‌شود. در این پژوهش داده‌های شاخص قیمت بورس اوراق بهادار تهران از 1391 تا 1395 برای این منظور در نظر گرفته شده است. همچنین برای آموزش بهتر شبکه‌ی عصبی و در نتیجه بهبود نتایج بدست آمده، از الگوریتم بهینه‌سازی ملخ برای انتخاب بهترین نمونه‌ها استفاده شده است. نتایج بدست آمده نشان می‌دهد که مدل پیشنهادی توانسته با خطای پیش‌بینی پایین‌تری نسبت به دیگر مدل‌ها عمل کند پرونده مقاله

دسترسی آزاد مقاله

17 - پیش بینی بازده شاخص بورس اوراق بهادار با استفاده از مدلهای شبکه ها عصبی مصنوعی شعاع پایه
رضا تهرانی سعید مرادپور

تا کنون برای پیش بینی بازده سهام و بازده شاخص از روش های متعددی استفاده شده است در این میان هوش مصنوعی و شبکه های عصبی مصنوعی یکی از روش های پیش بینی بازده شاخص بوده است. در حال حاضر به دنبال بررسی عملکرد شبکه عصبی شعاع پایه برای پیش‌بینی بازده شاخص هستیم. بدین منظور از چکیده کامل

تا کنون برای پیش بینی بازده سهام و بازده شاخص از روش های متعددی استفاده شده است در این میان هوش مصنوعی و شبکه های عصبی مصنوعی یکی از روش های پیش بینی بازده شاخص بوده است. در حال حاضر به دنبال بررسی عملکرد شبکه عصبی شعاع پایه برای پیش‌بینی بازده شاخص هستیم. بدین منظور از شاخص بورس اوراق بهادار تهران استفاده شده است و عملکرد شبکه عصبی شعاع پایه و شبکه عصبی پرسپترون مقایسه شده‌اند. نوع آزمون عملکرد شبکه های عصبی بر اساس حداقل مربعات خطا در دو رویکرد درون نمونه‌ای و برون نمونه ای بکار گرفته شده است. نتایج این پژوهش در رویکرد درون نمونه ای برتری شبکه عصبی شعاع پایه و در رویکرد برون نمونه ای برتری شبکه عصبی پرسپترون را نمایش می دهد. پرونده مقاله

فهرست مقالات شبکه عصبی پرسپترون

سکوی نشر دانش

پیوندهای سایت

مراکز مرتبط

پشتیبانی

صفحات رسمی