فهرست مقالات شبکه های عصبی مصنوعی

• دسترسی آزاد مقاله
  • صفحه چکیده
  • متن کامل
  
  1 - پیش بینی خطر ورشکستگی با استفاده از شبکه های عصبی مصنوعی مبتنی بر رویکرد پرسپترون چندلایه(شواهد تجربی: بورس اوراق بهادار تهران)
  سمیه سارویی حمیدرضا وکیلی فر قدرت الله طالب نیا
  در پژوهش حاضر به شناسایی عوامل موثر بر پیش بینی ورشکستگی شرکتهای ایرانی با استفاده از سیستم شبکه های عصبی مصنوعی (ANN) بر مبنای رویکرد پرسپترون چندلایه (PS) و ارائه یک مدل آماری مناسب به منظور برآورد ورشکستگی شرکتهای ایرانی، با استفاده از یافته های حاصل از اجرای شبکه AN چکیده کامل

  در پژوهش حاضر به شناسایی عوامل موثر بر پیش بینی ورشکستگی شرکتهای ایرانی با استفاده از سیستم شبکه های عصبی مصنوعی (ANN) بر مبنای رویکرد پرسپترون چندلایه (PS) و ارائه یک مدل آماری مناسب به منظور برآورد ورشکستگی شرکتهای ایرانی، با استفاده از یافته های حاصل از اجرای شبکه ANN پرداخته شده است. در پژهش حاضر به دنبال پاسخ گویی به این پرسش هستیم که آیا عوامل سودمند در راستای پیش بینی ورشکستگی شرکتهای ایرانی توسط سیستم شبکه عصبی مصنوعی قابل شناسایی است یا خیر . جامعه آماری در تحقیق حاضر تمامی شرکتهای پذیرفته شده در بورس اوراق بهادار تهران هستند که با لحاظ نمودن معیارهایی و به روش حذف سیستماتیک تعداد 172 شرکت از این جامعه آماری در بازه زمانی 1386 الی 1395 بعنوان نمونه در تحقیق حاضر انتخاب شده اند. به منظور انجام تحلیل های آماری در پژوهش حاضر از روش سیستم شبکه های عصبی مصنوعی بر مبنای رویکرد پرسپترون چندلایه استفاده شده است. یافته های حاصل از تجزیه و تحلیل داده های پژوهش نشان می دهد که سیستم ANNقادر است با دقتی معادل 98 درصد عوامل تاثیر گذار بر ورشکستگی شرکتهای ایرانی را در سال قبل از ورشکستگی شناسایی نماید. پرونده مقاله
• دسترسی آزاد مقاله
  • صفحه چکیده
  • متن کامل
  
  2 - پیش بینی نرخ ارز در بازار سرمایه با استفاده از مدل های میانگین متحرک خود رگرسیون انباشته و شبکه عصبی )مطالعه موردی: دلار استرالیا، دلار کانادا، ین ژاپن و پوند انگلستان(
  محمد احسانی فر رضا احتشام راثی
  سیاست گذاران پولی به منظور جلوگیری از زیان های ناشی از تغییرات از هم گسیخته نرخ ارز، همواره درصددیافتن روشی مناسب برای پیش بینی نرخ ارز بوده اند. لیکن ویژگیهای چند بعدی نرخ ارز باعث رفتار پیچیده وغیرخطی آن شده است. یکی از روش های سنتی پی بینی، تجزیه و تحلیل سری زمانی اس چکیده کامل

  سیاست گذاران پولی به منظور جلوگیری از زیان های ناشی از تغییرات از هم گسیخته نرخ ارز، همواره درصددیافتن روشی مناسب برای پیش بینی نرخ ارز بوده اند. لیکن ویژگیهای چند بعدی نرخ ارز باعث رفتار پیچیده وغیرخطی آن شده است. یکی از روش های سنتی پی بینی، تجزیه و تحلیل سری زمانی است که بر دو فرض ایستاییو خطی بودن بنیان نهاده شده است. در مورد عملکرد این مدل های سنتی بعضاٌ تردیدهای ایجاد شده است. یکی ازروش های جایگزین، شبکه های عصبی مصنوعی است که در برخی از موارد توانایی بالقوه خوبی برای پیش بینیسریهای زمانی از خود نشان دادهاند. در این مقاله، پس از مرور پژوهش های انجام شده در مورد توانایی پیش بینیمدل های خود توضیح جمعی میانگین متحرک 1 و شبکه های عصبی مصنوعی 2 ، به مقایسهی این دو روش برای پیشبینی نرخ روزانه ارز در 2112 پرداخته شده است. نتایج /1/ 1991 لغایت 1 /1/ دوره ی از سال 1 تحقیق نشان دادهاست که روش شبکه های عصبی تخمینهای بهتری نسبت به روش میانگین متحرک خود رگرسیون انباشته ارائهمیکند . در این پژوهش، از ابزارهای محاسباتی نرم افزار STATGRAPHICSو MATLABو دادههای اقتصادیکشورهای استرالیا، کانادا، ژاپن و انگلستان و نرخ ارز 3 آن کشورها نسبت به دلار آمریکا استفاده شده است. پرونده مقاله
• دسترسی آزاد مقاله
  • صفحه چکیده
  • متن کامل
  
  3 - پیش بینی دماهای حداکثر روزانه با استفاده از شبکه‌های عصبی مصنوعی(مطالعه موردی:کرمان)
  شکوفه امیدی قلعه محمدی احمد مزیدی سودابه کریمی نجمه حسنی سعدی محبوبه امیدی قلعه محمدی حسن خراج پور
  10.30495/sarzamin.2022.35670.1604
  با توجه به توانایی شبکه های عصبی مصنوعی در شبیه‌ سازی فرایندهای بسیار پیچیده، از آن‌ها برای پیش بینی و محاسبه پارامترهای اقلیمی استفاده می‌شود. هدف این پژوهش نیز پیش بینی دمای حداکثر روزانه در استان کرمان می باشد. بدین منظور پارامترهای اقلیمی روزانه به عنوان ورودی شبکه چکیده کامل

  با توجه به توانایی شبکه های عصبی مصنوعی در شبیه‌ سازی فرایندهای بسیار پیچیده، از آن‌ها برای پیش بینی و محاسبه پارامترهای اقلیمی استفاده می‌شود. هدف این پژوهش نیز پیش بینی دمای حداکثر روزانه در استان کرمان می باشد. بدین منظور پارامترهای اقلیمی روزانه به عنوان ورودی شبکه های عصبی، و دمای حداکثر روزانه به عنوان خروجی شبکه، طی دوره آماری 24 ساله (2013-1989) مورد استفاده قرار گرفته است نتایج این تحقیق بعد از آزمون شبکه، نشان داد که. شبکه پرسپترون چند لایه با توجه به میزان خطا و همبستگی بین داده‌ها از دقت بیشتری برخوردار است وخطای کمتر و همبستگی بیشتری نسبت به خروجی مورد نظر (دمای حداکثر روزانه) را نشان می‌دهد. همچنین از بین پارامترهای اقلیمی استفاده شده دمای حداقل و میانگین دمای تر نسبت به دیگر پارامترهای اقلیمی ورودی شبکه عصبی پیش بینی دمای حداکثر روزانه را با خطای کم و همبستگی بیشتری نشان می دهند. پرونده مقاله
• دسترسی آزاد مقاله
  • صفحه چکیده
  • متن کامل
  
  4 - تخمین ضریب توزیع خاک-آب فلزات سنگین با کاربرد شبکه های عصبی مصنوعی
  امین فلامکی مهناز اسکندری
  آلودگی منابع آب و خاک یکی از چالش های مهم استفاده بهینه از این منابع در سرتاسر جهان است. ضریب توزیع (Kd) نه تنها یک پارامتر کاربردی در مدلسازی انتقال آلاینده ها در خاک است، بلکه در ارزیابی ریسک آلودگی منابع آب و خاک نیز کاربرد دارد. مدل های پارامتریک، معمول ترین روش کمی چکیده کامل

  آلودگی منابع آب و خاک یکی از چالش های مهم استفاده بهینه از این منابع در سرتاسر جهان است. ضریب توزیع (Kd) نه تنها یک پارامتر کاربردی در مدلسازی انتقال آلاینده ها در خاک است، بلکه در ارزیابی ریسک آلودگی منابع آب و خاک نیز کاربرد دارد. مدل های پارامتریک، معمول ترین روش کمی برای تخمین Kd هستند. لیکن معمولاً ضریب همبستگی این مدل ها اندک است. درحالیکه مقدار تخمینی این پارامتر می تواند باعث اشتباه قابل توجه در پیش بینی مهاجرت آلاینده ها در آبخوان و یا انتخاب روش پایش محیط آلوده شود. هدف از این پژوهش، بررسی توانایی شبکه های عصبی مصنوعی در مدلسازی ضریب توزیع فلزات سنگین و بهبود دقت تخمین آن بود. بدین منظور، سه نوع شبکه عصبی پرسپترون چند لایه (MLP)، توابع پایه شعاعی (RBF) و شبکه های سلسله مراتبی (HN) و دو فلز سنگین کروم و کادمیوم، برای مدلسازی انتخاب شدند. ابتدا داده های جمع آوری شده به دو دسته آموزش و آزمون تفکیک شدند که یک دسته برای آموزش شبکه ها بکار رفت و با دسته دیگر دقت شبکه های تعمیم یافته ارزیابی شد. بهترین هندسه شبکه نیز با روش آزمون و خطا بدست آمد. نتایج مدلسازی برای فلز کروم نشان داد که هر دو شبکه MLP و RBF، بسیار توانمند عمل کرده اند و برتری نسبی در تخمین Kd با شبکه MLP بوده است. هرچند تعداد داده های کاربردی برای آموزش شبکه ها زیاد نبود (حداقل 9 و حداکثر 16 داده)، لیکن نتایج نشان داد که این تعداد کم برای مدلسازی کفایت می کند. این یافته گامی موثر در تخمین Kd است چراکه افزون بر زمان بر و هزینه بر بودن اندازه گیری مستقیم آن، در هر پروژه نیز معمولاً تعداد اندکی نمونه در اختیار است. نتایج مدلسازی تخمین Kd(Cd) با شبکه های عصبی مصنوعی نیز نشان دهنده برتری شبکه MLP در مدلسازی بود. این شبکه ها توانستند مقدار ضریب همبستگی بین مقادیر واقعی و پیش بینی شده را به طور قابل-توجهی افزایش دهند و از 37/0 در مدل پارامتریک برازش داده شده به داده ها، به 63/0 برسانند. پرونده مقاله
• دسترسی آزاد مقاله
  • صفحه چکیده
  • متن کامل
  
  5 - کاربرد شبکه های عصبی مصنوعی و GIS در تخمین پارامترهای موثر در تعیین الگوی کشت (مطالعه موردی : شهرستان نهاوند)
  حسین بانژاد حمید محب زاده احسان علیائی
  چکیده یکی از مهم ترین مسایل پیش روی کشاورزی فاریاب، تدوین الگوی کشت بهینه می باشد. در این راستا تخمین پارامترهای موثر بر کمیت و کیفیت آب قابل دسترس به عنوان یکی از مولفه های حایز اهمیت در اتخاذ تصمیمات مدیریتی در پیشرفت و توسعه کشاورزی پایدار امری ضروری است. در این مط چکیده کامل

  چکیده یکی از مهم ترین مسایل پیش روی کشاورزی فاریاب، تدوین الگوی کشت بهینه می باشد. در این راستا تخمین پارامترهای موثر بر کمیت و کیفیت آب قابل دسترس به عنوان یکی از مولفه های حایز اهمیت در اتخاذ تصمیمات مدیریتی در پیشرفت و توسعه کشاورزی پایدار امری ضروری است. در این مطالعه از تکنیک شبکه های عصبی مصنوعی برای تخمین سطح آب چاه های پیزومتری و همچنین عوامل موثر بر کیفیت آب (EC , SAR) مورد استفاده برای کشاورزی بهره گرفته شده است. بدین منظور از داده های ماهانه برداشت شده سطح آب چاه های پیزومتری در طی 7 سال و داده های مربوط به کیفیت آب در طول 4 سال در دشت نهاوند استفاده شد. همچنین تراز سطح آب زیر زمینی شهرستان نهاوند در سال86-1385با استفاده از سامانه اطلاعات مکانی ترسیم شد. کارایی مدل توسط معیارهای آماری شامل ضریب تعیین (R2) ، ریشة مربع میانگین خطا(RMSE) و میانگین قدرمطلق خطا (MAE) مورد ارزیابی قرار گرفت. نتایج برآمده نشان داد که ضریب R2برای تخمین سطح آب چاه های پیزومتری برابر 98/0 و برای SARو EC به ترتیب برابر با 991/0 و 990/0 بودند. نتایج فوق بیانگر توانایی مناسب شبکه های عصبی مصنوعی به عنوان تکنیکی برتر برای شبیه سازی پارامترهای کمی وکیفی موثر در تعیین الگوی کشت بود. همچنین نتایج حاصل از ترسیم مکانی سطح آب زیرزمینی توسط سامانه اطلاعات جغرافیایی حاکی از کمبود منابع آب های زیر سطحی در این منطقه بود . پرونده مقاله
• دسترسی آزاد مقاله
  • صفحه چکیده
  • متن کامل
  
  6 - بهینه سازی پورتفوی سرمایه گذاری مبتنی بر ماتریس شبکه و مقایسه آن با الگوی ترکیبی فازی عصبی و الگوریتم ژنتیک (ANFIS)
  علی شیدائی نرمیقی فریدون رهنمای رودپشتی رضا رادفر
  چندین سال است که پژوهشگران به بررسی و تحقیق درباره مسائل مربوط به بهینه سازی سبد سرمایه گذاری پرداخته اند . یکی از موضوعات اصلی مشخص کردن روش بهینه سازی است که به تشکیل سبد سرمایه گذاری بهینه یعنی حداقل نمودن ریسک سرمایه گذاری و حداکثر کردن سود سرمایه گذاری می باشد. هدف چکیده کامل

  چندین سال است که پژوهشگران به بررسی و تحقیق درباره مسائل مربوط به بهینه سازی سبد سرمایه گذاری پرداخته اند . یکی از موضوعات اصلی مشخص کردن روش بهینه سازی است که به تشکیل سبد سرمایه گذاری بهینه یعنی حداقل نمودن ریسک سرمایه گذاری و حداکثر کردن سود سرمایه گذاری می باشد. هدف پژوهش حاضر بررسی قابلیت راهبرد ماتریس شبکه و مدل فازی عصبی ژنتیک (ANFIS) در بهینه سازی سبد سرمایه گذاری از بین شرکت های بورس اوراق بهادار تهران است. گروه بندی سهام بوسیله ماتریس شبکه مبتنی بر متغییرهای نوین شامل سهام تهاجمی ، بی تفاوت و تدافعی که توسط رهنمای رودپشتی (1388) ارائه شده و متغییرهای سنتی شامل سهام رشدی ، رشدی ارزشی و ارزشی و دسته بندی شرکت ها براساس ارزش بازار آنها و استفاده از قانون چارک ها و در نهایت وزن دهی آنها متناسب با بازدهی آن سهم در نظرگرفته می شود. نسبت به طراحی و ارائه یک مدل بهینه سازی سبد سرمایه گذاری سهام با استفاده از سیستم استنتاج عصبی فازی انطباقی و ترکیب آن با الگوریتم ژنتیک (ANFIS) پرداخته شده است که در آن از دو دسته مختلف متغیرهای فنی و بنیادی به‌عنوان ورودی‌های مدل استفاده می‌شود. خروجی‌های تحقیق نشان می دهد این سیستم‌ها از توانایی لازم برای بهینه سازی سبد سهام برخوردار می‌باشند. بنابراین یک مدل ترکیبی شبکه های عصبی و تئوری استدلال فازی همراه با الگوریتم ژنتیک به منظور وزن دهی عامل های موثر در بهینه سازی سبد سهام در 7 سال منتهی به سال 1398 بکار گرفته شده است. پرونده مقاله
• دسترسی آزاد مقاله
  • صفحه چکیده
  • متن کامل
  
  7 - مقایسه عملکرد شبکه‌های عصبی مصنوعی(ANN)و مدل میانگین متحرک انباشته اتورگرسیو (ARIMA) در مدلسازی و پیش‌بینی کوتاه مدت روند نرخ ارز در ایران
  عباسعلی ابونوری فرداد فرخی سیده فاطمه شجاعیان
  نرخ ارز و نوسانات آن به عنوان یکی از مهمترین مسائل بخش بازرگانی خارجی هر کشور از اهمیت ویژه ای برخوردار است. عوامل زیادی همچون عوامل اقتصادی، سیاسی، و روانی بر نرخ ارز تاثیرگذار هستند و این عوامل خود باعث ایجاد شرایط نااطمینانی بیشتر می شوند. در این راستا تلاش سیاست گ چکیده کامل

  نرخ ارز و نوسانات آن به عنوان یکی از مهمترین مسائل بخش بازرگانی خارجی هر کشور از اهمیت ویژه ای برخوردار است. عوامل زیادی همچون عوامل اقتصادی، سیاسی، و روانی بر نرخ ارز تاثیرگذار هستند و این عوامل خود باعث ایجاد شرایط نااطمینانی بیشتر می شوند. در این راستا تلاش سیاست گذاران در کاهش این نااطمینانی از طریق پیش بینی این متغیر باکمترین خطا بوده است. شبکه های عصبی مصنوعی از قابلیت بالایی در مدلسازی فرآیندهای پیچیده و پیش بینی مسیرهای غیرخطی پویا برخوردار هستند. لذا در این مطالعه سعی گردیده است تا با استفاده از شبکۀ عصبی مصنوعی(ANN) علاوه بر مدل سازی و پیش بینی روزانه نرخ ارز طی دوره زمانی فروردین 1381 تا اسفند 1384، و کمینه نمودن خطای پیش بینی توسط این روش، نتایج آن با مقادیر پیش بینی شده توسط مدل ARIMA بر اساس معیارهای اندازه گیری دقت پیش بینی، مورد مقایسه قرار گیرد. برای بررسی حساسیت نتایج مدل نسبت به نرخ ارز، تخمین مدل با روش مشابه برای سه دسته داده نرخ ارز دلار، یورو و پوند انجام گرفته است. نتایج تحقیق نشان می دهد که شبکۀ عصبی مورد استفاده، نسبت به مدل ARIMA از قدرت پیش بینی بهتری برخوردار است و قیمت نرخهای ارز پوند و یورو تابعی از قیمتهای روز گذشته خود و قیمت نرخ ارز دلار تابعی از قیمت 6 روز گذشته خود است. پرونده مقاله
• دسترسی آزاد مقاله
  • صفحه چکیده
  • متن کامل
  
  8 - کاربرد رگرسیون خطی چندگانه و شبکه های عصبی مصنوعی جهت مطالعه ارتباط کمی ساختار-فعالیت دسته ایی از مشتقات کموکین ها
  مهدی نکوئی محمدرضا کیانسب مجید محمدحسینی بهنام مهدوی تهمینه باهری
  مطالعه ارتباط کمی ساختار-فعالیت (QSAR) جهت پیش بینی فعالیت دارویی برخی از مشتقات کموکین ها با استفاده از رگرسیون خطی چندگانه و شبکه های عصبی مصنوعی (ANN) انجام شد. در ابتدا ساختار ترکیبات دارویی به کمک نرم افزار هایپرکم رسم و بهینه گردیدند. سپس دسته وسیعی از توصیف کننده چکیده کامل

  مطالعه ارتباط کمی ساختار-فعالیت (QSAR) جهت پیش بینی فعالیت دارویی برخی از مشتقات کموکین ها با استفاده از رگرسیون خطی چندگانه و شبکه های عصبی مصنوعی (ANN) انجام شد. در ابتدا ساختار ترکیبات دارویی به کمک نرم افزار هایپرکم رسم و بهینه گردیدند. سپس دسته وسیعی از توصیف کننده‌های مولکولی توسط نرم افزار دراگون محاسبه شدند. بعد از کاهش تعدادی از توصیف کننده ها که همبستگی بالای9/0 داشتند و توصیف کننده هایی که بیش از 90% آنها مشابه بود از رگرسیون مرحله ایی برای بدست آوردن بهترین توصیف کننده‌ها که بیشترین ارتباط را با فعالیت دارویی ترکیبات مورد نظر داشتند استفاده گردید. با این کار تعداد 7 توصیف کننده شامل MATS2p، PCWTe، RDF045m، RDF065m، RDF115m، C-003 و C-040 انتخاب شدند سپس از روشهای رگرسیون خطی چند‌گانه (MLR) و شبکه های عصبی مصنوعی (ANN) برای مدلسازی و پیش بینی فعالیت ترکیبات سری تست استفاده گردید. نتایج بدست آمده نشان می دهد که هر دو روش نتایج قابل قبولی ارایه می دهند که می توان از آنها برای پیش بینی ترکیبات دارویی جدید استفاده کرد. پرونده مقاله
• دسترسی آزاد مقاله
  • صفحه چکیده
  • متن کامل
  
  9 - طراحی شبکه عصبی مصنوعی برای پیشبینی تخلخل مخزن آسماری در میدان گچساران با استفاده از دادههای چاه پیمایی و تخلخل مغزه
  امین امینی عبدالرسول پورانفر مهدی ایمانی
  تعیین تخلخل مخزن، به عنوان یکی از مهم ترین پارامترهای پتروفیزیکی، نقش مهمی در صنایع بالادستی نفت ایفـا مـی نمایـد. یکـی ازروش های نوین مورد استفاده در مدلسازی و تخمین تخلخل، طراحی شبکه های عصبی مصنوعی است که برای پـیش بینـی پارامترهـایپتروفیزیکی به کار می رود. شبکه عصبی چکیده کامل

  تعیین تخلخل مخزن، به عنوان یکی از مهم ترین پارامترهای پتروفیزیکی، نقش مهمی در صنایع بالادستی نفت ایفـا مـی نمایـد. یکـی ازروش های نوین مورد استفاده در مدلسازی و تخمین تخلخل، طراحی شبکه های عصبی مصنوعی است که برای پـیش بینـی پارامترهـایپتروفیزیکی به کار می رود. شبکه عصبی مصنوعی، روشی محاسبه ایست که برگرفته از علم زیست شناسی بوده و ابزاری قوی برای حلمشکلات فراروی صنعت نفت محسوب می گردد.در این مطالعه، برای مخزن آسماری در میدان گچساران، راه حلی بر اساس شبکه های عصبی مصنوعی پیشنهاد شده کـه توسـط آن مـیتوان تخلخل را با استفاده از داده های نمودارهای چاه پیمایی متداول )نوترون، صوتی، چگالی، گامـا و مقاومـت(، تـا حـد بسـیار خـوبیتخمین زد و در نهایت نشان داده شده که کاربرد شبکه های عصبی مصنوعی، هزینه ها را کاهش می دهد و به اقتصادی بودن مطالعـه هـاکمک می کند.با مقایسه تخلخل حاصل از مغزه و نتایج به دست آمده از شبکه، ضریب انطباق 95درصد حاصل گردید که نتیجه قابل قبـولی محسـوبمی شود و نشان می دهد شبکه های عصبی مصنوعی، می توانند با اطمینان قابل قبولی برای تخمین تخلخل مورد استفاده قرار گیرند پرونده مقاله
• دسترسی آزاد مقاله
  • صفحه چکیده
  • متن کامل
  
  10 - مدلسازی حرکت ماسه های روان با استفاده ازتصاویر ماهواره ای لندست وشبکه عصبی مصنوعی (منطقه مورد مطالعه: دشت لوت)
  علیرضا رضایی مرضیه موغلی
  جهت تهیه مدل ارتفاع رقومی منطقه، از روش رقومی کردن خطوط تراز موجود در نقشه های توپوگرافی و سپس میان یابی کردن آنها استفاده شده است. بدین ترتیب که ابتدا نقشه های توپوگرافی 1:50000 منطقه توسط نرم افزار GIS تبدیل به TIN شد و آنگاه از نقشه TIN تهیه شده گردید و سپس DEM منطقه چکیده کامل

  جهت تهیه مدل ارتفاع رقومی منطقه، از روش رقومی کردن خطوط تراز موجود در نقشه های توپوگرافی و سپس میان یابی کردن آنها استفاده شده است. بدین ترتیب که ابتدا نقشه های توپوگرافی 1:50000 منطقه توسط نرم افزار GIS تبدیل به TIN شد و آنگاه از نقشه TIN تهیه شده گردید و سپس DEM منطقه تهیه گردید. تصحیحات و پردازش های لازم روی تصاویر انجام شد. برای مدل شبکه های عصبی مصنوعی از جعبه ابزار شبکه عصبی مصنوعی از نرم افزار spss16 استفاده شده است. جابجایی تپه های ماسه ای با استفاده از شبکه های عصبی مصنوعی و مدل های رگرسیونی مدل سازی شد. در یک فرآیند مدلسازی اعم از آماری یا شبکه‌های عصبی مصنوعی، داده ها معمولا به دو قسمت تقسیم می شوند. یک قسمت برای آموزش یا کالیبره کردن یا واسنجی مدل و قسمت دیگر برای آزمون یا صحت سنجی مدل می باشد. نتایج نشان داد سنجش از دور، شبکه های عصبی مصنوعی و مدل های رگرسیونی دارای قابلیت خوبی برای مدل سازی جابجایی تپه های ماسه ای می باشند. در این تحقیق از تکنولوژی سنجش از دور در مطالعه و مانیتورینگ مرفولوژی تپه های شن روان فعال و منشایابی آن در منطقه استفاده گردیده که جهت تهیه نقشه های ژئومرفولوژی کواترنر، بهبود نقشه زمین شناسی، تفکیک انواع شن در دشت لوت و بالاخره بارزسازی ارتباط بین مناطق برداشت و رسوب مورد استفاده قرار گرفته است. پرونده مقاله
• دسترسی آزاد مقاله
  • صفحه چکیده
  • متن کامل
  
  11 - پیش بینی دمای کمینه ایستگاه کرج با استفاده از داده های شاخص های پیوند از دور و شبکه عصبی مصنوعی
  هانیه شکیبا محمود خسروی تقی طاوسی مهدی اژدری مقدم
  توجه علمی به مخاطرات محیطی که آسیب پذیری بسیاری از کشورهای دنیا را به دنبال دارد، آغازی نسبتاً تازه دارد. یکی از این خطرها یخبندانها می باشند که سبب زیانهای عظیمی در زمینه های کشاورزی، حمل و نقل، انرژی ، زیست محیطی و غیره شده است. جهت جلوگیری از خطرات ناشی از آنها استفا چکیده کامل

  توجه علمی به مخاطرات محیطی که آسیب پذیری بسیاری از کشورهای دنیا را به دنبال دارد، آغازی نسبتاً تازه دارد. یکی از این خطرها یخبندانها می باشند که سبب زیانهای عظیمی در زمینه های کشاورزی، حمل و نقل، انرژی ، زیست محیطی و غیره شده است. جهت جلوگیری از خطرات ناشی از آنها استفاده از روشهای پیش بینی امکان پیش آگاهی از حداقل دما و رخداد پدیده یخبندان را فراهم ساخته تا مسئولان در جهت جلوگیری از آن، اقدامات لازم را به عمل آورند. پیش بینی حداقل دما در منطقه خصوصاً با روشهای جدید از ضروریات انجام این تحقیق می باشد. با توجه به محدودیت هایی از قبیل عدم کفایت آمار موجود و خطای بالای روش های آماری معمول، در این تحقیق از شبکه های عصبی مصنوعی به عنوان یک روش کارآمد جهت پیش بینی کمینه دما استفاده شدهاست. ورودی مدل،آمار شاخص های اقلیمی SIBERIA, AO[1], NAO[2], TNA[3], SOI[4], PDO[5], TNI[6], NOI[7]ساعات آفتابی منطقه در بازه زمانی(2007–1973) و خروجی مدل داده های کمینه دما می باشد. در این تحقیق از دو روش پس انتشار feedforwardو Radial Basisاستفاده شده است. نتایج نشان داد که بین مدلهای مورد استفاده، Radial Basis ( با ضریب همبستگی 98% و میزان خطای 48%) به عنوان بهترین مدل، نسبت به روش های آماری و مدل feedforward معمول می باشد و همچنین نسبت به دیگر تحقیقات انجام شده در این زمینه از میزان خطای پایین تری برخوردار است. همچنین تنها افزایش فاکتورهای ورودی شبکه عاملی برای افزایش کارایی نمی باشد بلکه استفاده از ورودی هایی که ارتباط معناداری با خروجی شبکه دارند نتایج بهتری را ایجاد خواهد کرد. در نهایت خروجی مدل بیانگر افزایش حداقل دما طی دوره آماری می باشد. پرونده مقاله
• دسترسی آزاد مقاله
  • صفحه چکیده
  • متن کامل
  
  12 - پیش بینی نرخ نفوذ ماشین حفر تونل تمام مقطع با استفاده از ترکیب شبکه های عصبی مصنوعی و روش مونت کارلو
  سید مصلح افتخاری محمد مختاریان علیرضا باغبانان
  تحلیل عملکردو پیش بینی دقیق نرخ نفوذ ماشین حفر تونل تمام مقطع هدف مطالعات محققان بسیاری شده است.پیش بینی عملکرد ماشین حفر تونل تمام مقطع در برنامه زمان بندی پروژه های حفاری و بودجه مورد نیاز ضروری است. در این مطالعه تلاش شده است تا با ترکیبی از روش شبیه سازی مونت کارلو چکیده کامل

  تحلیل عملکردو پیش بینی دقیق نرخ نفوذ ماشین حفر تونل تمام مقطع هدف مطالعات محققان بسیاری شده است.پیش بینی عملکرد ماشین حفر تونل تمام مقطع در برنامه زمان بندی پروژه های حفاری و بودجه مورد نیاز ضروری است. در این مطالعه تلاش شده است تا با ترکیبی از روش شبیه سازی مونت کارلو و شبکه های عصبی مصنوعی به پیش بینی نرخ نفوذ پرداخته شود. شبکه های عصبی مصنوعی شکلی از هوش مصنوعی است که تلاش می کند تا از سیستم عصبی و مغز انسان الگوبرداری کند. شبکه های عصبی مصنوعی می تواند اثر تمام پارمترهای موثر در پیش بینی یک پدیده را لحاظ کند. شبیه سازی مونت کارلو روشی برای نمونه برداری و تولید تصادفی براساس تابع چگالی احتمال است. در این مطالعه داده های ۱۰ کیلومتر از تونل زاگرس به منظور پیش بینی استفاده شده است. در این راستا، مشخصات ماده سنگ، توده سنگ و پارامترهای اجرایی از قبیل نیروی محور یپیش ران و گشتاور مورد نیاز است. نتایج حاصل از شبیه سازی های مختلف نشان می دهد که شبکه ای با ۱۱ نرون در لایه ورودی و ۱۶ نرون در لایه میانی مناسب ترین ساختار شبکه برای پیش بینی در این مطالعه است. ضریب همبستگی بین خروجی شبکه و مقادیر واقعی در مجموعه آزمایش % ۸۷ است. به منظور ارزیابی شبکه بهینه، مجموعه آزمایش جدیدی که در آن پارامترهای اجرایی ماشین با استفاده روش مونت کارلو و به طور تصادفی ایجاد شده است، استفاده می شود. نتایج شبکه ساخته شده و مقایسه تابع توزیع نرخ نفوذ داده های واقعی و نرخ نفوذ حاصل از داده های تصادفی نشان می دهد که شبکه عصبی ساخته شده قابلیت پیش بینی قابل قبولی از نرخ نفوذ ماشین حفر تونل تمام مقطع را دارد. پرونده مقاله
• دسترسی آزاد مقاله
  • صفحه چکیده
  • متن کامل
  
  13 - مقایسه مدلهای قیمت گذاری دارایی سرمایه ای،سه عاملی فاما و فرنچ و شبکه های عصبی مصنوعی در پیش بینی بازار سهام ایران
  سیده محبوبه جعفری جواد میثاقی فاروجی میثم احمد وند
  در تحقیق حاضر،توان مدل سه متغیره فاما و فرنچ(1993)،ارزش گذاری دارایی هایی سرمایه ای و شبکه های عصبی مصنوعی در تبیین بازده سهام در بورس اوراق بهادار تهران مقایسه و سعی شده است به این پرسش پاسخ داده شود که قدرت پیش بینی کدام یک بیشتر است. متغیرهای مدل فاما وفرنچ عبارتند ا چکیده کامل

  در تحقیق حاضر،توان مدل سه متغیره فاما و فرنچ(1993)،ارزش گذاری دارایی هایی سرمایه ای و شبکه های عصبی مصنوعی در تبیین بازده سهام در بورس اوراق بهادار تهران مقایسه و سعی شده است به این پرسش پاسخ داده شود که قدرت پیش بینی کدام یک بیشتر است. متغیرهای مدل فاما وفرنچ عبارتند از بازده مازاد بازار،اندازه و نسبت ارزش دفتری به ارزش بازار و متغیر وابسته بازده پرتقوی سهام دوره زمانی 5 ساله از ابتدای 1385 تا 1389 است.در هر بازه سه ماهه از دوره تحقیق،بر اساس اندازه و نسبت ارزش دفتری به ارزش بازار،شرکتهای نمونه به 6 پر تقوی تقسیم و فرضیه های تحقیق بر مبنای این پرتقوی ها آزمون شده است. نتایج به دست آمده نشان می دهد که توان مدل سه متغیره فاما و فرنچ بالاتر از مدلهای قیمت گذاری دارایی های سرمایه ای است:همچنین،مدلهای یک متغیره و سه متغیره شبکه عصبی عملکردی بهتر از مدلهای متناظر دارند پرونده مقاله
• دسترسی آزاد مقاله
  • صفحه چکیده
  • متن کامل
  
  14 - مدل فازی عصبی با ترکیب الگوریتم ژنتیک جهت پیش بینی قیمت سهام در صنعت خودرو در بورس اوراق بهادار تهران
  احسان ساده رضا احتشامی راثی علی شیدایی نرمیقی
  تعیین زمان بهینه و قیمت مناسب خرید و فروش سهام نقش بسزایی در تصمیمات سرمایه‌گذاری در بازار سرمایه و سود و زیان سرمایه‌گذار دارند. می‌توان از سیستم‌های هوشمند غیرخطی همچون شبکه عصبی مصنوعی، شبکه عصبی فازی و الگوریتم ژنتیک برای پیش‌بینی تغییرات قیمت سهام استفاده نمود. در چکیده کامل

  تعیین زمان بهینه و قیمت مناسب خرید و فروش سهام نقش بسزایی در تصمیمات سرمایه‌گذاری در بازار سرمایه و سود و زیان سرمایه‌گذار دارند. می‌توان از سیستم‌های هوشمند غیرخطی همچون شبکه عصبی مصنوعی، شبکه عصبی فازی و الگوریتم ژنتیک برای پیش‌بینی تغییرات قیمت سهام استفاده نمود. در این مقاله به طراحی و ارائه یک مدل پیش‌بینی قیمت سهام با استفاده از سیستم استنتاج عصبی فازی انطباقی و ترکیب آن با الگوریتم ژنتیک پرداخته شده است که در آن از دو دسته مختلف متغیرهای فنی و بنیادی به‌عنوان ورودی‌های مدل استفاده می‌شود. خروجی‌های حاصل از شبکه نشان می دهد میزان خطای پیش‌بینی هر دو دسته از ورودی های بنیادی و فنی تا حد قابل قبولی پایین است و این سیستم‌ها از توانایی لازم برای پیش‌بینی قیمت روزانه سهام برخوردار می‌باشند. برای ارزیابی دقت مدل، آزمون من ویتنی انجام گردید که با توجه به ورودی‌های مشخص شده برای دو حالت بنیادی و فنی، مشاهده گردید که تقریباً تفاوت معناداری بین نتایج پیش‌بینی قیمت در این دو روش وجود ندارد. هر دو روش بنیادی و فنی به شرط آنکه حداقل یکی از ورودی‌های آنها وابستگی خطی با قیمت داشته باشد، قادر به پیش‌بینی قیمت روز آتی با ضریب خطای نسبتاً قابل قبولی خواهند بود. همچنین در خصوص سهامی که میزان نوسانات قیمتی آن زیاد است، استفاده از رویکرد شبکه عصبی منجر به افزایش سطح خطای پیش‌بینی خواهد گردید و توصیه می‌شود از این روش برای پیش‌بینی قیمت سهام پرنوسان استفاده نشود. پرونده مقاله
• دسترسی آزاد مقاله
  • صفحه چکیده
  • متن کامل
  
  15 - به کارگیری الگوهای بهینه‌سازی پایدار و برنامه‌ریزی آرمانی در مسئله انتخاب سبد سرمایه‌گذاری چند دوره‌ای
  ساغر همائی‌فر عماد روغنیان
  یکی از مهم ترین مسائل دنیای مالی، انتخاب سبد سرمایه گذاری است. سرمایه گذاران همواره برآنند که بهترین تصمیمات را مطابق با شرایط دنیای واقعی اتخاذ نمایند. در دنیای واقعی از یک طرف، داده ها همواره با عدم قطعیت مواجه هستند و از طرف دیگر استراتژی‌‌ها برای انتخاب سبد سرمایه گ چکیده کامل

  یکی از مهم ترین مسائل دنیای مالی، انتخاب سبد سرمایه گذاری است. سرمایه گذاران همواره برآنند که بهترین تصمیمات را مطابق با شرایط دنیای واقعی اتخاذ نمایند. در دنیای واقعی از یک طرف، داده ها همواره با عدم قطعیت مواجه هستند و از طرف دیگر استراتژی‌‌ها برای انتخاب سبد سرمایه گذاری، اغلب چند دوره‌ای هستند و سرمایه گذار باید موقعیت خود را در طول زمان مورد بازنگری قرار دهد. از این رو در این پژوهش به بهینه سازی سبد سرمایه گذاری با در نظر گرفتن افق چند دوره ای و هزینه مبادلات می پردازیم، عدم قطعیت داده ها نیز با استفاده از برنامه ریزی پایدار و خصوصاً رویکرد برتسیماس و سیم، مدل سازی می شود. مدل ارائه شده یک مدل چند هدفه میانگین-ارزش در معرض خطر شرطی است که برای حل آن از برنامه ریزی آرمانی استفاده می شود. در حل مدل مذکور به پیش بینی بازده های آتی سهام نیاز است که این امر با استفاده ازکاربرد شبکه عصبی در پیش بینی قیمت آتی سهام انجام می گردد. در نهایت کیفیت نتایج حاصل از مدل پایدار ارائه شده با نتایج مدل قطعی مقایسه می شوند. نتایج حاصل از حل مدل حاکی از آن است که در نظر گرفتن فرض عدم قطعیت داده ها، در کنار سایر فروض عنوان شده، مقدار تابع هدف نهایی را بدتر می کند که نشان دهنده منطقی بودن جواب های حاصل از مدل است. به عبارت دیگر ما از حل این مدل به پاسخ های کاراتر و کاربردی تری دست می یابیم. پرونده مقاله
• دسترسی آزاد مقاله
  • صفحه چکیده
  • متن کامل
  
  16 - پیش بینی فعالیت ضدسرطانی برخی مشتقات N-آریل2و2-دی کلرواستامید و آریل2و2-دی کلرواستات با استفاده از روشهای خطی و غیرخطی مطالعه ارتباط کمی ساختار-فعالیت(QSAR)
  مهدی نکویی مجید محمدحسینی طیبه جواهری
  مطالعه ارتباط کمی-ساختار فعالیت(QSAR) جهت پيش‌بيني فعالیت دارویی(IC50) برخی از مشتقات N-آریل2و2-دی کلرواستامید و آریل2و2-دی کلرواستات با استفاده از روشهای رگرسیون خطی چندگانه (MLR) و شبکه های عصبی مصنوعی (ANN) به عنوان روشهای خطی و غیرخطی جهت درمان سرطان انجام شد. در اب چکیده کامل

  مطالعه ارتباط کمی-ساختار فعالیت(QSAR) جهت پيش‌بيني فعالیت دارویی(IC50) برخی از مشتقات N-آریل2و2-دی کلرواستامید و آریل2و2-دی کلرواستات با استفاده از روشهای رگرسیون خطی چندگانه (MLR) و شبکه های عصبی مصنوعی (ANN) به عنوان روشهای خطی و غیرخطی جهت درمان سرطان انجام شد. در ابتدا ساختار ترکیبات مورد نظر توسط نرم افزار هایپرکم رسم و بهینه گردید. ترکیبات رسم شده جهت محاسبه توصیف¬کننده‌های مولکولی به نرم افزار دراگون وارد و تعداد 1481 توصیف کننده برای هر مولکول محاسبه شد. جهت انتخاب مناسب ترین توصیف کننده‌ها از روش رگرسیون مرحله¬ایی استفاده گردید. پس از انتخاب مناسب ترین توصیف کننده‌ها، از دو روش MLR وANN به عنوان روش¬های خطی و غیر خطی مطالعه ارتباط کمی-ساختار فعالیت جهت مدلسازی و پيش‌بيني فعالیت دارویی ترکیبات، استفاده شد. عملکرد هر مدل توسط چندین پارامتر آماری مورد ارزیابی قرار گرفت. نتایج بدست آمده نشان از برتری روش ANN نسبت به MLR دارد. پرونده مقاله