فهرست مقالات Effective Features

• دسترسی آزاد مقاله
  • صفحه چکیده
  • متن کامل
  
  1 - آزمون مدل ناپارامتریک به روش لاسوی گروهی تطبیق یافته جهت شناسایی ویژگی های موثر در پیش بینی بازده مورد انتظار پرتفوی سهام
  راحله السادات مرتضوی حمیدرضا وکیلی فرد قدرت اله طالب نیا سیده محبوبه جعفری
  در این پژوهش یک روش جدید ناپارامتری با استفاده از مدل لاسوی گروهی تطبیق یافته برای انتخاب ویژگی ها و مطالعه اینکه کدامیک از ویژگی ها، اطلاعات مضاعفی را برای پیش بینی بازده مورد انتظار مقطع عرضی ارائه می دهند، بکارگرفته شده است. از میان تعداد کثیری از ویژگیهای مطرح شده د چکیده کامل

  در این پژوهش یک روش جدید ناپارامتری با استفاده از مدل لاسوی گروهی تطبیق یافته برای انتخاب ویژگی ها و مطالعه اینکه کدامیک از ویژگی ها، اطلاعات مضاعفی را برای پیش بینی بازده مورد انتظار مقطع عرضی ارائه می دهند، بکارگرفته شده است. از میان تعداد کثیری از ویژگیهای مطرح شده در مطالعات گذشته، اثر 36 ویژگی بر روی بازده مورد انتظار پرتفوی سهام در بورس اوراق بهادار تهران (1387- 1396) مورد بررسی قرارگرفت. نتیجه این پژوهش نشان می دهد که تنها سه تا پنج ویژگی ، اطلاعات مضاعفی برای پیش بینی بازده مورد انتظار پرتفوی سهام ارائه می دهند. بعبارنی تنها ویژگی های بازده 2 تا 1 ماه قبل از پیش بینی، نوسانات کل، بتا، حداکثر بازده روزانه و نسبت قیمت به بالاترین قیمت دارای قدرت پیش بینی بازده مورد انتظار پرتفوی سهام می باشند. مابقی ویژگی های بررسی شده قدرت پیش بینی بازده مورد انتظار را ندارند. پرونده مقاله
• دسترسی آزاد مقاله
  • صفحه چکیده
  • متن کامل
  
  2 - یک روش طبقه‌بندی ترکیبی برای تشخیص سرطان پستان با استفاده از الگوریتم ژنتیک و تنظیم چند مرحله‌ای وزن‌ها در شبکه عصبی MLP
  امین رضایی پناه سیدجواد میرعابدینی علی مبارکی
  امروزه با گسترش روز افزون علم، استفاده از سیستم های پشتیبان تصمیم می تواند کمک زیادی در سیاست های درمانی پزشک داشته باشد. بدین منظور استفاده از سیستم های هوشمند مصنوعی در پیش بینی و تشخیص سرطان پستان که یکی از رایج ترین سرطان ها در بین زنان می باشد، مورد توجه است. در ای چکیده کامل

  امروزه با گسترش روز افزون علم، استفاده از سیستم های پشتیبان تصمیم می تواند کمک زیادی در سیاست های درمانی پزشک داشته باشد. بدین منظور استفاده از سیستم های هوشمند مصنوعی در پیش بینی و تشخیص سرطان پستان که یکی از رایج ترین سرطان ها در بین زنان می باشد، مورد توجه است. در این مقاله فرآیند تشخیص بیماری سرطان پستان با استفاده از تنظیم چند مرحله ای وزن ها در شبکه عصبی MLP در دو لایه انجام می شود. در لایه اول، سه طبقه بند وجود دارد که به طور همزمان روی داده های مجموعه یادگیری آموزش می بینند. پس از اتمام آموزش خروجی طبقه بندهای لایه اول جمع آوری شده و به همراه داده های مجموعه یادگیری در مجموعه ای جدید قرار می گیرند. این مجموعه به عنوان ورودی به فراطبقه بند لایه دوم داده می شود و فراطبقه بند نگاشت میان خروجی های هر یک از طبقه بندهای معمولی لایه اول را با کلاس های خروجی واقعی مدل می کند. ساختار سه طبقه بند لایه اول و همچنین فراطبقه بند لایه دوم یک شبکه عصبی MLP است که وزن ها، ویژگی های موثر و اندازه لایه مخفی در آن به طور همزمان با استفاده از یک الگوریتم ژنتیک ابتکاری بهینه سازی می شود. به منظور ارزیابی دقت مدل پیشنهادی از پایگاه داده ویسکانسین استفاده می شود که با تست FNA ایجاد شده است. نتایج آزمایش ها روی مجموعه داده WBCD دقت 98.72% را برای روش پیشنهادی نشان می دهد که نسبت به الگوریتم های GAANN، CAFS عملکرد بهتری ارائه داده است. پرونده مقاله
• دسترسی آزاد مقاله
  • صفحه چکیده
  • متن کامل
  
  3 -
  Mohammad Ali Nadi Narges KeshtiaraY Ramezan Jahanian Mozhgani Arefi Shahin Raz Masoud Salimi Arsalan. ErajiRad. Nozhatozamani Moshfeghi AliReza Uosefi Fariba Karimi Seyed Ali t Siyadat Shahram Shahbazi Hamideh Goharan
  پرونده مقاله