Neural Networks

دسترسی آزاد مقاله

1 - ناحیه بندی تصاویر مغز نوزادان بر اساس شبکه های عصبی پیچشی
ایران سرافراز حامد آگاهی آذر محمودزاده

در این مقاله، روشی مبتنی بر شبکه های عصبی پیچشی برای ناحیه بندی تصاویر مغز نوزادان ارائه می شود. یکی از چالش های مهم در ناحیه بندی تصاویر مغز نوزادان، همپوشانی توزیع شدت روشنایی بافت های ماده خاکستری و ماده سفید است که منجر به کاهش دقت ناحیه بندی این نواحی می شود. برای چکیده کامل

در این مقاله، روشی مبتنی بر شبکه های عصبی پیچشی برای ناحیه بندی تصاویر مغز نوزادان ارائه می شود. یکی از چالش های مهم در ناحیه بندی تصاویر مغز نوزادان، همپوشانی توزیع شدت روشنایی بافت های ماده خاکستری و ماده سفید است که منجر به کاهش دقت ناحیه بندی این نواحی می شود. برای افزایش تمایز سطوح خاکستری بین بافت های مغز، در این مقاله یک روش پیش پردازش مبتنی بر شبکه های عصبی پیچشی ارائه می شود که به طور موثری باعث افزایش دقت ناحیه بندی می گردد. برای به دست آوردن نتیجه نهایی ناحیه بندی، یک شبکه پیچشی دیگر ارائه می شود که بر اساس تصاویر مدالیتی T1-T2ناحیه بندی را انجام می دهد. برای ارزیابی روش پیشنهادی، از دو پایگاه داده که شامل تصاویر رزونانس مغناطیسی مغز نوزادان است استفاده می شود. نتایج به دست آمده نشان دهنده کارایی مناسب روش پیشنهادی در ناحیه بندی بافت های مغز است. پرونده مقاله

دسترسی آزاد مقاله

2 - 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

3 - توانایی مدیریت و پیامدهای آن بر ارزش آفرینی شرکت ها با به کارگیری شبکه های عصبی (رویکرد مقایسه ای در صنایع شیمیایی و مواد غذایی)
اکبر ولیزاده اوغانی ناصر فقهی فرهمند فرزین مدرس خیابانی

هدف این تحقیق بررسی پیامدهای توانایی مدیریت شرکت ها بر ارزش آفرینی در صنایع شیمیایی و مواد غذایی در دوره زمانی 1390-1394 با بکارگیری شبکه های عصبی مصنوعی است. ابتدا با اجرای مدل DEA با یک الگوی بومی شده، کارایی نسبی برای هر شرکت مشخص شده و با برآورد یک مدل رگرسیونی، چکیده کامل

هدف این تحقیق بررسی پیامدهای توانایی مدیریت شرکت ها بر ارزش آفرینی در صنایع شیمیایی و مواد غذایی در دوره زمانی 1390-1394 با بکارگیری شبکه های عصبی مصنوعی است. ابتدا با اجرای مدل DEA با یک الگوی بومی شده، کارایی نسبی برای هر شرکت مشخص شده و با برآورد یک مدل رگرسیونی، شاخص توانایی مدیریت هر شرکت نیز تعیین شده است. سپس ارزش آفرینی شرکت ها از متوسط حاصل عواملی مانند بازده صاحبان سهام، نسبت Q توبین، بازده سرمایه گذاری ها و خلق ثروت برای سهامداران اندازه گیری شد. مدل شبکه عصبی بکار گرفته شده در این تحقیق، پرسپترون چندلایه ای با الگوی آموزش پس انتشار خطا بوده است. برای ارزیابی کارایی نسبی از نرم افزار بهینه سازی GAMS، جهت سنجش شاخص توانایی مدیریت از E-Views و برای آموزش و ارزیابی مدل شبکه عصبی از نرم افزار MATLAB بهره گرفته شده است. نتایج نشان می دهد که مدل شبکه عصبی مصنوعی در صنعت مواد غذایی بهتر از صنعت شیمیایی، ارزش آفرینی شرکت ها را از روی شاخص توانایی مدیریت و دیگر متغیرهای ورودی برآورد می کند. از دیگر نتایج تحقیق اینکه، امتیاز توانایی مدیریت در هر دو صنعت برابر بوده اما متوسط امتیاز ارزش آفرینی شرکت ها در صنعت مواد غذایی بیشتر از صنعت شیمیایی بوده است. پرونده مقاله

دسترسی آزاد مقاله

4 - پیش بینی گزارشگری مالی متقلبانه از طریق شبکه عصبی مصنوعی(ANN)
مجتبی تاراسی بهاره بنی طالبی دهکردی بهزاد زمانی

در این پژوهش، توانایی شبکه های عصبی مصنوعی(ANN) ، به عنوان روشی نوین در خصوص پیش بینی احتمال گزارشگری مالی متقلبانه ،در شرکتهای پذیرفته شده در بورس اوراق بهادار تهران در یک دوره زمانی 9 ساله بین سال های 1385 تا 1393مورد بررسی قرار گرفت. بدین منظور از طریق اطلاعات مندرج چکیده کامل

در این پژوهش، توانایی شبکه های عصبی مصنوعی(ANN) ، به عنوان روشی نوین در خصوص پیش بینی احتمال گزارشگری مالی متقلبانه ،در شرکتهای پذیرفته شده در بورس اوراق بهادار تهران در یک دوره زمانی 9 ساله بین سال های 1385 تا 1393مورد بررسی قرار گرفت. بدین منظور از طریق اطلاعات مندرج درصورتهای مالی ، نسبتهای مالی و مدل پرسپترون های چند لایه که شامل یک لایه ورودی ،لایه پنهان از دید نرم افزار MATLAB، و یک لایه خروجی است، احتمال وجود تحریف درگزارش ها مالی وارائه گزارشگری مالی متقلبانه ازطریق تکنیک شبکه عصبی ارزیابی گردید. در این راستا، از اطلاعات هفت سال اول شرکتها، جهت طراحی و آموزش شبکه عصبی، از داده های سال هشتم به منظور اعتبارسنجی و تایید آموزش شبکه و از داده های سال نهم به عنوان داده های آزمون و تست شبکه ی طراحی شده استفاده گردید. در نهایت با توجه به نتایج حاصله، مشخص شد که تکنیک شبکه عصبی و مدلسازی مبتنی برشبکه عصبی ازصحت 97.4درصد برخوردار است و با طراحی و آموزش دقیق، می توان شبکه های عصبی طراحی نمود که با دقت قابل قبولی بتوانند احتمال گزارشگری مالی متقلبانه شرکت ها را کشف و پیش بینی نمایند. پرونده مقاله

دسترسی آزاد مقاله

5 - پیش بینی نوع اظهارنظر حسابرسان با رویکردی بر روش های داده کاوی
محمدحسین ستایش فهیمه ابراهیمی سیدمجتبی سیف مهدی ساریخانی

روش 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 کامل

روش 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

6 - مقایسه پیش بینی هزینه ها با استفاده از روش های آماری و شبکه عصبی مطالعه موردی: شهرداری اصفهان
امیر محمدزاده نسرین مهدی پور آرش محمدزاده

پیش 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 کامل

پیش 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

7 - ارائه الگوی نقش اخلاق حرفه‌ای در ایجاد مزیت استراتژیک با تاکید بر نقش میانجی مسئولیت اجتماعی
امید فرزین روح الله سمیعی

10.30495/jisds.2021.19445

اخلاق حرفه‌ای به معنای بایدها و نبایدهای ارزشی فلسفی نسبت به خود، دیگران و جامعه و همچنین مسؤلیت تعهدی که شخص در حرفه خود نسبت به دیگران و جامعه دارد، می‌باشد. پژوهش حاضر به ارائه الگوی نقش اخلاق حرفه‌ای در ایجاد مزیت استراتژیک در نظام اداری بخش عمومی با تاکید بر نقش می چکیده کامل

اخلاق حرفه‌ای به معنای بایدها و نبایدهای ارزشی فلسفی نسبت به خود، دیگران و جامعه و همچنین مسؤلیت تعهدی که شخص در حرفه خود نسبت به دیگران و جامعه دارد، می‌باشد. پژوهش حاضر به ارائه الگوی نقش اخلاق حرفه‌ای در ایجاد مزیت استراتژیک در نظام اداری بخش عمومی با تاکید بر نقش میانجی مسئولیت اجتماعی می‌پردازد. پژوهش حاضر از لحاظ ماهیت اکتشافی و از نظر هدف کاربردی و از نظر روش گردآوری داده‌ها از نوع آمیخته می‌باشد. 250 نفر (از نخبگان، مدیران و معاونین ادارات سازمان امور مالیاتی استان‌های شمال کشور )هستند که با استفاده از جداول مورگان 163 نفر و به صورت تصادفی به پرسشنامه‌های اخلاق حرفه‌ای و مزیت استراتژیک پاسخ دادند. برای بررسی ارتباط بین متغیرها از روش شبکه‌های عصبی فازی دلفی تطبیق پذیر با استفاده از نرم‌افزار MATLAB شد و مدل مورد ارزیابی و تایید شد. یافته های تحقیق نشان داد که بین اخلاق حرفه ایی و مسئولیت اجتماعی رابطه خطی معنی داری وجود دارد هرچه اخلاق حرفه ایی بیشتر می‌شود مسئولیت اجتماعی بیشتر می‌شود. اخلاق با میانجیگری مسئولیت اجتماعی مزیت استراتژیک را در سازمان بیشتر می‌کند. بنابراین سازمان‌ها با رعایت کردن و مبنا قرار دادن استانداردها و اصول اخلاق حرفه‌ای در سازمان در جهت ارتقای مسئولیت اجتماعی، بسترهای لازم را فراهم نمایند.ارتباط میان مسئولیت اجتماعی و مزیت استراتژیک از طریق تدوین استراتژی‌های اجتماعی که بر فرصت‌ها، منابع و امکانات، مهارت‌ها و شایستگی‌های سازمانی اثر می‌گذارند و تأثیر می‌پذیرند، بیان می‌گردد. پرونده مقاله

دسترسی آزاد مقاله

8 - ارائه مدلهای انرژی در برنامه های توسعه اجتماعی - اقتصادی
محمد رضا مقدم

پرونده مقاله

دسترسی آزاد مقاله

9 - 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

10 - تحلیل رابطه تراز آب دریاچه ارومیه با سیگنال های اقلیمی
مرتضی بیطاری خالدی ابراهیم فتاحی

از 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 کامل

از 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

11 - Application of Machine Learning Models for flood risk assessment and producing map to identify flood prone areas: Literature Review
Parisa Firoozishahmirzadi Shaghayegh Rahimi Zeinab Esmaeili Seraji

10.30495/ijdea.2022.68987.1181

Floods as the most destructive natural disaster are highly complex to model. The research on the advancement of ﬂood risk assessment models contributed to risk reduction, policy suggestion, reduction of the property damage and minimization of the loss of human life. Dur چکیده کامل

Floods as the most destructive natural disaster are highly complex to model. The research on the advancement of ﬂood risk assessment models contributed to risk reduction, policy suggestion, reduction of the property damage and minimization of the loss of human life. During the past two decades, machine learning methods contributed highly in the advancement of modeling systems, providing better performance and cost-effective solutions. Researchers through introducing novel ML methods and hybridizing of them aim at discovering more accurate and efﬁcient models. The main contribution of this literature review is to demonstrate the state of ML models from two perspectives; 1-ﬂood risk assessment, 2- producing flood reliable map to give insight into the most suitable models. In this literature is shown the important ML models that can have impressive effect on flood models are Super Vector Mane, Decision Tree, Logistic Regression and Random Forest respectively. Hybridization different kind of ML methods, data fusion that is a prevalent way to deal with imperfect raw data for capturing reliable, ensemble algorithm and model optimization are reported as the most effective strategies for the improvement of ML methods. Random Forest models do well with high dimensional data and their flexibility makes them suitable for solving more problems. ANN models are especially good at modeling multifarious nonlinear networks that are difficult to describe with functions directly. This study provides a concise and comprehensive reference for researchers پرونده مقاله

دسترسی آزاد مقاله

12 - A Neural Network Model to Solve DEA Problems
S. Dolatabadi H. Rezai Zhiani

The paper deals with Data Envelopment Analysis (DEA) and Artificial Neural Network (ANN). We believe that solving for the DEA efﬁciency measure, simultaneously with neural network model, provides a promising rich approach to optimal solution. In this paper, a new neural چکیده کامل

The paper deals with Data Envelopment Analysis (DEA) and Artificial Neural Network (ANN). We believe that solving for the DEA efﬁciency measure, simultaneously with neural network model, provides a promising rich approach to optimal solution. In this paper, a new neural network model is used to estimate the inefficiency of DMUs in large datasets. پرونده مقاله

دسترسی آزاد مقاله

13 - تخمین هدایت هیدرولیکی اشباع در برخی از خاکهای استان ایلام با استفاده از شبکههای عصبی مصنوعی و روشهای رگرسیونی
علی حکمت زاد مسعود داوری محمدعلی محمودی کمال نبی الهی

هدایت هیدرولیکی اشباع ) Ks ( یکی از ورودیهای مهم در مدلسازی جریان آب و انتقال آلایندهها در خاک، طراحی سیستمهای آبیاری و زهکشی، مدلسازی آبهایزیرزمینی و فرایندهای زیستمحیطی است. اندازهگیری مستقیم Ks در مزرعه و آزمایشگاه میسّر میباشد؛ لیکن، معمولاً زمانبر، پرهزینه و دشوار چکیده کامل

هدایت هیدرولیکی اشباع ) Ks ( یکی از ورودیهای مهم در مدلسازی جریان آب و انتقال آلایندهها در خاک، طراحی سیستمهای آبیاری و زهکشی، مدلسازی آبهایزیرزمینی و فرایندهای زیستمحیطی است. اندازهگیری مستقیم Ks در مزرعه و آزمایشگاه میسّر میباشد؛ لیکن، معمولاً زمانبر، پرهزینه و دشوار بوده و در سطوحبزرگ نیز غیرعملی است. افزون بر این، بهدلیل غیرهمگن بودن خاک و خطاهای آزمایشگاهی، تا حدودی این اندازهگیریها غیرقابل اعتماد هستند. یکی از راههای غلبهبر این مشکل، استفاده از روشهای غیرمستقیم همچون توابع انتقالی خاک میباشد. از آنجایی که تاکنون در منطقه موردمطالعه توابعی انتقالی جهت برآورد Ks پیشنهادنشده است؛ لذا در این پژوهش با استفاده از شبکههای عصبی مصنوعی و رگرسیونهای آماری و بهرهگیری از تعدادی محدود یا مجموعهای وسیعتر از ویژگیهایزودیافت خاکی، توابعی انتقالی برای برآورد Ks تبیین و کارآیی آنها ارزیابی شد. بدین منظور، هدایت هیدرولیکی اشباع 95 نقطه محل از زیرحوزههای آبخیز چرداول -چمشیر در استان ایلام با استفاده از پرمامتر گلف اندازهگیری شد. همچنین برخی از ویژگیهای زودیافت خاک این نقاط مطالعاتی نیز تعیین شد. سپس اعتبار توابعاشتقاق یافته در تعیین Ks ، با استفاده از جذر میانگین مربعات خطا ) RMSE (، میانگین خطا ) ME ( و ضریب همبستگی پیرسون ) r ( ارزیابی شد. با توجه به نتایج، Ksبا میانگین هندسی قطر ذارت و مقدار شن دارای بیشترین همبستگی بود )بهترتیب دارای r معادل 58 / ۰ و 56 / ۰(. نتایج نشان داد در صورت دسترسی به تعداد کمی ازویژگیهای زودیافت خاکی، توابع انتقالی رگرسیونی و شبکه عصبی مصنوعی میتوانند Ks را با دقت نسبتاً خوبی پیشبینی کنند )به ترتیب دارای85 / ۰ = rR-val ، mm/hr 81 / 6 = RMSER-val و 87 / ۰ = rANN-test ، mm/hr 8۰ / 1۰ = RMSEANN-test (. این در حالی است که با توجه به نتایج، در صورت استفاده از ویژگیهای زودیافت بیشتر، دقت پیشبینی Ks توسط مدل شبکه عصبی در هر دو مرحله آموزش و آزمون افزایش یافت ) 92 / ۰ = rtrain ،mm/hr 36 / 4 = RMSEtrain و 89 / ۰ = rtest ، mm/hr 17 / 7 = RMSEtest (. در مجموع نتایج نشان دادند که شبکههای عصبی مصنوعی در مقایسه با مدلهای رگرسیونی خطی دارای کارآیی نسبتاً بهتر در تخمین هدایت هیدرولیکی اشباع خاک میباشند. پرونده مقاله

دسترسی آزاد مقاله

14 - پیش‌بینی بافت خاک با استفاده از شبکه‌های عصبی مصنوعی
علی محمدی ترکاشوند الناز خانباباخانی محمدعلی محمودی

بافت 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 کامل

بافت 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

15 - کاربرد مدل هیبریدی شبکه‌های عصبی مصنوعی و الگوریتم کرم شب‌تاب برای پیش‌بینی مقدار جامدات محلول در آب رودخانه
فرحناز سبزواری بهروز یعقوبی سعید شعبانلو

10.30495/wsrcj.2023.71849.11356

زمینه و هدف: برآورد و پیش بینی پارامتر های کیفی در کنار پارامتر های کمی آب در طول رودخانه یکـی از مولفـه‌ های ی است که در تصمیم‌گیری‌ های مدیریتی صحیح بایستی به‌دقـت شـبیه‌سـازی شـده و تخمین زده شود. اکثر مـدل های مربوط به برآورد پارامتر های کیفی نیازمند پارامتر های ور چکیده کامل

زمینه و هدف: برآورد و پیش بینی پارامتر های کیفی در کنار پارامتر های کمی آب در طول رودخانه یکـی از مولفـه‌ های ی است که در تصمیم‌گیری‌ های مدیریتی صحیح بایستی به‌دقـت شـبیه‌سـازی شـده و تخمین زده شود. اکثر مـدل های مربوط به برآورد پارامتر های کیفی نیازمند پارامتر های ورودی بسیار زیادی هستند که یـا دسترسـی بـه آن ها مشکل است و یا تعیین آن ها نیازمند صرف هزینه و زمان زیادی است. بنابراین استفاده از مدل‌ های داده‌محور در این زمینه برای صرفه‌جویی در زمان و هزینه گسترش یافت ها ست.روش پژوهش: در این مقاله کاربرد شبکه های عصبی مصنوعی و ترکیب آن با الگوریتم کرم شب تاب جهت پیش بینی مقدار جامدات محلول در آب (TDS) در رودخانه گاوه رود واقع در ایران کرمانشاه مورد آموزش و صحت سنجی قرار می گیرد. برای این منظور از داده های کیفیت آب ایستگاه هیدرو متری در بالادست سد مخزنی گاوشان برای بازه آماری (1389-1370) استفاده گردید. براساس ورودی های مختلف، شبکه عصبی مصنوعی پرسپترون چند لایه (MLP) و ترکیب آن با الگوریتم کرم شب تاب مورد آزمون قرار گرفت. بهترین الگوی ورودی ها ، تعداد لایه پن ها ن و تعداد نرون های هر لایه در شبکه عصبی مصنوعی مشخص گردید. داده های ورودی به مدل‌ ها شامل دبی (Q)، سدیم(Na)، منیزیم (Mg)، کلسیم (Ca)، سولفات (So4)، کلرید (Cl)، بی کربنات (Ho3)، هدایت الکتریکی (EC) و جامدات محلول رودخانه در بازه زمانی قبل (TDSt-1) و داده های خروجی جامدات محلول آب (TDS) می باشد. تعداد لایه‌ های پن ها ن برابر یک و تعداد نرون‌ های لایه پن ها ن برابر نه بدست آمد، همچنین تابع شبکه عصبی در این مطالعه نوع آبشاری در نظر گرفته شد و نتایج با روش ترکیب شبکه‌ های عصبی مصنوعی با الگوریتم کرم شب تاب مقایسه گردید.یافته‌ ها : باتوجه به این خروجی های مدل با داده های مشاهده شده با استفاده از معیار های برآورد خطا مقایسه شد؛ در این راستا مقادیرشاخص های ارزیابی خطا مورد استفاده شاخص مربعات خطا به انحراف معیار استاندارد مشاهداتی (RSR)، رابطه ناش ساتکلیف (NSC)، ضریب همبستگی (R) و ریشه میانگین مربعات خط (MSE) برای شبکه عصبی مصنوعی به ترتیب 154/0، 976/0، 989/0 و 27/25 و در حالت ترکیب شبکه عصبی با الگوریتم کرم شب تاب نیز به ترتیب 129/0، 983/0، 992/0 و 8/17 بدست آمد.نتایج: لذا عملکرد روش هیبریدی شبکه های عصبی مصنوعی با استفاده از الگوریتم کرم شب تاب در پیش بینی TDS مناسب‌تر از تکنیک شبکه های عصبی مصنوعی است. پرونده مقاله

دسترسی آزاد مقاله

16 - 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

17 - A Comparative Study Concerning Linear and Nonlinear Models to Determine Sugar Content in Sugar Beet by Near Infrared Spectroscopy (NIR)
S. Minaei H. Bagherpour M. Abdollahian Noghabi M.E. Khorasani Fardvani F. Forughimanesh

This paper reports on the use of Artificial Neural Networks (ANN) and Partial Least Squareregression (PLS) combined with NIR spectroscopy (900-1700 nm) to design calibration models for thedetermination of sugar content in sugar beet. In this study a total of 80 samples چکیده کامل

This paper reports on the use of Artificial Neural Networks (ANN) and Partial Least Squareregression (PLS) combined with NIR spectroscopy (900-1700 nm) to design calibration models for thedetermination of sugar content in sugar beet. In this study a total of 80 samples were used as the calibration set,whereas 40 samples were used for prediction. Three pre-processing methods, including Multiplicative ScatterCorrection (MSC), first and second derivatives were applied to improve the predictive ability of the models.Models were developed using partial least squares and artificial neural networks as linear and nonlinear models,respectively. The correlation coefficient (R), sugar mean square error of prediction (RMSEP) and SDR were thefactors used for comparing these models. The results showed that NIR can be utilized as a rapid method todetermine soluble solid content (SSC), sugar content (SC) and the model developed by ANN gives bettercorrelation between predictions and measured values than PLS. پرونده مقاله

دسترسی آزاد مقاله

18 - 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 تبریزی

10.22034/jest.2020.10480

زمینه 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 کامل

زمینه 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

19 - مدل سازی پیشی بینی میزان رسوب رودخانه قلعه رودخان با استفاده از شبکه عصبی LSTM
محبوبه شادابی بجند ابراهیم امیری

10.30495/jest.2022.54871.5157

زمینه و هدف: برآورد مناسب از میزان رسوب جاری شده در رودخانهها به عنوان مبنای داده¬ای برای بسیاری از طرحها و فرآیندهای مهندسی رودخانه دارای اهمیت است. رودخانه قلعه رودخان یکی از حوزه¬های آبی بسیار مهم در غرب استان گیلان می باشد. رودخانه قلعه رودخان از دو شاخه (حیدرآلات) چکیده کامل

زمینه و هدف: برآورد مناسب از میزان رسوب جاری شده در رودخانهها به عنوان مبنای داده¬ای برای بسیاری از طرحها و فرآیندهای مهندسی رودخانه دارای اهمیت است. رودخانه قلعه رودخان یکی از حوزه¬های آبی بسیار مهم در غرب استان گیلان می باشد. رودخانه قلعه رودخان از دو شاخه (حیدرآلات) و (نظر آلات) تشکیل شده است. از همین رو، هدف از انجام این پژوهش، مدل-سازی پیشی بینی میزان رسوب رودخانه قلعه رودخان با استفاده از شبکه عصبی حافظه طولانی کوتاه مدت (LSTM) است. روش بررسی: در این تحقیق از آمار دبی ـ رسوب ثبت شده مربوط به دوره آماری سال 1381 تا 1395 استفاده شده است. این آمار شامل دبی لحظه ای روزانه به مترمکعب بر ثانیه و رسوب روزانه لحظه ای به تن در روز است که همزمان اندازه گیری شده اند. متغیرهای تحت بررسی در مدلسازی پیش بینی مستلزم ايجاد يک شبکه عصبي مصنوعي، وجود يک سري داده، به منظور مدلسازي در اين شبکه مي باشد. یافته ها: دقت پیش بینی های انجام شده با سه معیار خطا بررسی شد. سه معیار مورد بررسی به ترتیب AFE، FFE و n-AFE هستند. بحث و نتیجهگیری: نتایج به دست آمده نشان داد که از میان معیارهای مورد بررسی معیار FFE همبستگی میان خروجی مدل و داده¬های اندازه¬گیری شده رسوب مناسب می باشد. در نتیجه مدل LSTM دارای دقت مناسب برای پیش بینی مقدار رسوب دو رودخانه قلعه رودخان می باشد. پرونده مقاله

دسترسی آزاد مقاله

20 - 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

21 - 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 شاکریاری

10.22034/jest.2019.13711

زمینه 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 کامل

زمینه 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

22 - بررسی تغییرات پوشش اراضی شهر اراک با استفاده از سنجش از دور و GIS
مژگان احمدی ندوشن علیرضا سفیانیان سید جمال الدین خواجه الدین

زمینه 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 کامل

زمینه 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

23 - 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

24 - کاربرد الگوریتم ژنتیک، ازدحام ذرات و شبکه‌های عصبی مصنوعی در پیش‌بینی دستکاری سود
مرتضی حسینعلی‌نژاد سید محمدحسن هاشمی کوچکسرائی علی جعفری

مدیریت سود یکی از موضوعات بحث انگیز در تحقیقات اخیر بوده است. اکثر تحقیقات انجام شده در زمینه مدیریت سود،به بررسی ارتباط خطی متغیرهای مستقل با مدیریت سود و با روش های آماری پرداخته اند اما از این متغیرها برای پیش بینی مدیریت سود استفاده نکرده اند. امروزه با رشد تکنولوژی چکیده کامل

مدیریت سود یکی از موضوعات بحث انگیز در تحقیقات اخیر بوده است. اکثر تحقیقات انجام شده در زمینه مدیریت سود،به بررسی ارتباط خطی متغیرهای مستقل با مدیریت سود و با روش های آماری پرداخته اند اما از این متغیرها برای پیش بینی مدیریت سود استفاده نکرده اند. امروزه با رشد تکنولوژی اطلاعات و با وارد شدن هوش مصنوعی از جمله شبکه های عصبی مصنوعی به حوزه پژوهش های علمی، امکان بررسی روابط غیرخطی بین متغیرها میسر گردیده است. در این پژوهش تلاش شده تا با استفاده از شبکه‌های عصبی مصنوعی، اقلام تعهدی اختیاری برای پیش‌بینی مدیریت سود تخمین زده شود. همچنین در این پژوهش از مدل بهینه‌ساز الگوریتم ژنتیک و ازدحام ذرات برای بهینه‌سازی وزن‌های مدل شبکه عصبی مصنوعی جهت ارتقای توان پیش‌بینی کنندگی استفاده شده است. در ادامه توانایی پیش‌بینی مدیریت سود با استفاده از مدل آماری جونز تعدیل‌شده، شبکه عصبی مصنوعی و تکنیک ترکیبی الگوریتم ژنتیک، ازدحام ذرات و شبکه عصبی مورد بررسی قرار گرفت. نمونه مورد استفاده در این پژوهش شامل 150 شرکت پذیرفته شده در بورس اوراق بهادار تهران بین سال-های 1394 الی 1399 بوده است. یافته‌های 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 یافته‌ها حاکی از آن است که دقت و توانایی مدل ترکیبی الگوریتم ژنتیک، ازدحام ذرات و شبکه عصبی در پیش بینی مدیریت سود از مدل ترکیبی الگوریتم ژنتیک-شبکه عصبی مصنوعی بیشتر است. پرونده مقاله

دسترسی آزاد مقاله

25 - پیش‌بینی سود هر سهم: ترکیب شبکه‌های عصبی مصنوعی و الگوریتم بهینه‌سازی حرکت تجمعی ذرات
داریوش فروغی حیدر فروغ نژاد منوچهر میرزایی

انتظارات مربوط به سود اثرات قابل ملاحظه‌ای بر تصمیمات مدیران و سرمایه گذاران دارد. یکی از معیار‌هایی که امروزه به عنوانشاخص سود‌آوری شرکت ها مورد توجه قرار می‌گیرد، مفهوم سود هر سهم است. سود هر سهم آثار عمده‌ای بر قیمت سهام شرکت ‌ها نیز دارد. از اینرو پیش‌بینی سود هر سه چکیده کامل

انتظارات مربوط به سود اثرات قابل ملاحظه‌ای بر تصمیمات مدیران و سرمایه گذاران دارد. یکی از معیار‌هایی که امروزه به عنوانشاخص سود‌آوری شرکت ها مورد توجه قرار می‌گیرد، مفهوم سود هر سهم است. سود هر سهم آثار عمده‌ای بر قیمت سهام شرکت ‌ها نیز دارد. از اینرو پیش‌بینی سود هر سهمهم برای سرمایه‌گذاران و هم برای مدیران از اهمیت بسزایی برخوردار است. هدف از انجام این پژوهش، مدل بندی پیش بینی سود هر سهم شرکت های پذیرفته شده در بورس اوراق بهادار تهران،با استفاده از ترکیب شبکه های عصبی مصنوعی و الگوریتم بهینه سازی حرکت تجمعی ذراتبر مبنای مدل های تک متغیره و چند متغیره است. بدین منظور از اطلاعات مربوط به 114 شرکت از شرکت‌های پذیرفته شده در بورس اوراق بهادار تهران، طی سال های 1380 تا 1389 استفاده شده است.نتایج این پژوهش نشان می دهدکهمدل تک متغیره بادقت 78.5% ومدل چند متغیره با دقت 91.7% سود هر سهم را پیش بینی می نماید. پرونده مقاله

دسترسی آزاد مقاله

26 - 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

27 - Extended ‎A‎artificial Neural Networks Approach and Fractional Volterra ‎I‎ntegro-Differential Equation‎s
A. Jafarian R. Saneifard

10.30495/ijim.2023.15261.817

In current research, an architecture of hybrid articial neural networks has been employed to solve a special kind of fuzzy systems. The proposed four-layer fuzzied recurrent network can approximate real solution of the present fuzzy system to any desired degree of acc چکیده کامل

In current research, an architecture of hybrid articial neural networks has been employed to solve a special kind of fuzzy systems. The proposed four-layer fuzzied recurrent network can approximate real solution of the present fuzzy system to any desired degree of accuracy. To do this, a back-propagation learning rule based on the gradient descent method is designed to estimate the unknowns. Finally, some numerical experiments with comparison are presented to show the effectiveness of the recurrent back-propagation method.In current research, an architecture of hybrid articial neural networks has been employed to solve a special kind of fuzzy systems. The proposed four-layer fuzzied recurrent network can approximate real solution of the present fuzzy system to any desired degree of accuracy. To do this, a back-propagation learning rule based on the gradient descent method is designed to estimate the unknowns. Finally, some numerical experiments with comparison are presented to show the effectiveness of the recurrent back-propagation method. پرونده مقاله

دسترسی آزاد مقاله

28 - Numerical solution of hybrid fuzzy differential equations by fuzzy neural network
M. Othadi M. Mosleh

The hybrid fuzzy differential equations have a wide range of applications in science and engineering. We consider the problem of nding their numerical solutions by using a novel hybrid method based on fuzzy neural network. Here neural network is considered as a part of چکیده کامل

The hybrid fuzzy differential equations have a wide range of applications in science and engineering. We consider the problem of nding their numerical solutions by using a novel hybrid method based on fuzzy neural network. Here neural network is considered as a part of large eld called neural computing or soft computing. The proposed algorithm is illustrated by numerical examples and the results obtained using the scheme presented here agree well with the analytical solutions. پرونده مقاله

دسترسی آزاد مقاله

29 - Numerical solution of fuzzy differential equations under generalized differentiability by fuzzy neural network
M. Mosleh

In this paper, we interpret a fuzzy differential equation by using the strongly generalized differentiability concept. Utilizing the Generalized characterization Theorem. Then a novel hybrid method based on learning algorithm of fuzzy neural network for the solution of چکیده کامل

In this paper, we interpret a fuzzy differential equation by using the strongly generalized differentiability concept. Utilizing the Generalized characterization Theorem. Then a novel hybrid method based on learning algorithm of fuzzy neural network for the solution of differential equation with fuzzy initial value is presented. Here neural network is considered as a part of large eld called neural computing or soft computing. The model nds the approximated solution of fuzzy differential equation inside of its domain for the close enough neighborhood of the fuzzy initial point. We propose a learning algorithm from the cost function for adjusting of fuzzy weights. پرونده مقاله

دسترسی آزاد مقاله

30 - مدلسازی پارامترهای کیفی آب زیرزمینی با استفاده از مدلهای شبکه عصبی مصنوعی و زمین آمار (مطالعه موردی: دشت زیدون)
عبدالامیر عچرش زاده اصلان اگدرنژاد

زمینه 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 کامل

زمینه 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

31 - تشخیص و شناسایی علائم ترافیکی مبتنی بر یادگیری عمیق با سیستمهای تعبیه شده
پیمان بابائی فائزه علامه

تشخیص و شناسایی علائم ترافیکی نیازمند بکارگیری الگوریتمهای تشخیص و طبقه بندی است و اساساً از اطلاعات بصری مانند شکل و رنگ علائم ترافیکی استفاده می‌کنند. با این حال، این الگوریتمها در آزمون‌های بلادرنگ با اشکالاتی مواجه هستند و همچنین دستیابی به تشخیص چند هدف بسیار دشوار چکیده کامل

تشخیص و شناسایی علائم ترافیکی نیازمند بکارگیری الگوریتمهای تشخیص و طبقه بندی است و اساساً از اطلاعات بصری مانند شکل و رنگ علائم ترافیکی استفاده می‌کنند. با این حال، این الگوریتمها در آزمون‌های بلادرنگ با اشکالاتی مواجه هستند و همچنین دستیابی به تشخیص چند هدف بسیار دشوار است و نیازمند تسریع در عملکرد الگوریتمهای مربوطه است. سیستم‌های تشخیص علائم ترافیکی مبتنی بر شبکه عصبی عمیق ممکن است به دلیل نیازهای محاسباتی و مصرف منابع، محدودیت‌هایی در کاربردهای عملی داشته باشند. اکثر سیستمهای تعبیه شده به طور مستقیم با فرآیندها یا محیط تعامل دارند و بر اساس ورودی های خود تصمیم گیری می کنند. این امر باعث می‌شود که سیستم واکنش پذیر باشد و در زمان واقعی به ورودی های پردازش برای اطمینان از عملکرد صحیح پاسخ دهد. این مقاله یک شبکه عصبی سبک وزن را برای تشخیص علائم ترافیکی ارائه می‌کند که به صحت و دقت بالایی با پارامترهای قابل آموزش کمتری دست می‌یابد. برای ارزیابی کارایی و قابلیت اطمینان مدل پیشنهادی مبتنی بر شبکه عصبی کانولوشنی برای شناسایی علائم ترافیکی، آزمایش‌های گسترده‌ای بر روی مجموعه دادهGTSRB انجام شده است. همپنین نتایج بدست آمده با چند معماری پیشرفته از جمله VGG16، MobileNetv2و ResNet50 مقایسه شده است. نتایج می دهد که مدل پیشنهادی به عملکرد خوبی دست یافته است و بر پتانسیل آن برای استقرار مدل شناسایی علائم ترافیکی بلادرنگ و سیستمهای کمک رانندگی تاکید می‌کند. راندمان محاسباتی و اندازه کوچک مدل پیشنهادی، آن را برای شناسایی علائم ترافیکی بلادرنگ کاربردی تر و مناسب تر می کند. پرونده مقاله

دسترسی آزاد مقاله

32 - Optimization of Oleuropein Extraction from Olive Leaves using Artificial Neural Network
Mahnaz Yasemi

In this work, the artificial neural networks (ANN) technology was applied to the simulation of oleuropein extraction process. For this technology, a 3-layer network structure is applied, and the operation factors such as amount of flow intensity ratio, temperature, resi چکیده کامل

In this work, the artificial neural networks (ANN) technology was applied to the simulation of oleuropein extraction process. For this technology, a 3-layer network structure is applied, and the operation factors such as amount of flow intensity ratio, temperature, residence time, and pH are used as input variables of the network, whereas the extraction yield is considered as response value. Performance indicators RMSE, SSE, R2adj, R2 have been used to determine the number of optimal midway neurons. Neural network trained with an error back-propagation algorithm, was used to evaluate the effects of parameters on extraction yield.The obtained optimal architecture of artificial neural network model involved a feed-forward neural network with 4 input neurons, 1 hidden layer with 6 neurons and one output layer including single neuron.The trained network gave the minimum value in the RMSE of 1.6423 and the maximum value in the = 0.9641, which implied a good agreement between the predicted value and the actual value, and confirmed a good generalization of the network.Functional structure of modeling, related to education,validation and test were obtained 0.99229,0.95591and 0.99224 respectively. The overall agreement between the experimental data and ANN predictions was satisfactory showing a determination coefficient of 0.9838.The neural network tools implemented in MATLAB software were used to predict the change process. پرونده مقاله

دسترسی آزاد مقاله

33 - Application of Differential Kinetic Method Using ANN with a New Synthetic Reagent for Simultaneous Spectrophotometric Determination of Mercury and Palladium
Tayyebeh Madrakian Abbas Afkhami Masoumeh Mohammadnejad Sayyed Javad Sabounchei Sepideh Samiee

A new selective reagent was used for simultaneous determination of mercury and palladium in real samples with their different kinetic spectrophotometric properties. The method is based on the difference in the rate of the oxidation reaction of the recently synthesized r چکیده کامل

A new selective reagent was used for simultaneous determination of mercury and palladium in real samples with their different kinetic spectrophotometric properties. The method is based on the difference in the rate of the oxidation reaction of the recently synthesized reagent, nitro benzoyl diphenylmethylen phosphorane (N-BDMP), with Hg2+ and Pd2+. The kinetic profiles were monitored and recorded at maximum wavelength of reagent, and the data obtained from the experiments were processed by a chemometric approach (principal component analysis-artificial neural network models (PCFFNNs)). Performances of the proposed method were tested with regard to relative standard error (RSE), using synthetic solutions. Under the working conditions, the proposed method was successfully applied to the simultaneous determination of Hg2+ and Pd2+ in water, waste water and urine samples. The results showed that mercury and palladium could be determined simultaneously in the range of 4.00×10-7 to 1.00×10-4 mol L-1(0.08 to 20.06 μg mL-1) and 1.00×10-6 to 1.00×10-4 mol L-1 (0.11 to 10.64μg mL-1), respectively. Investigation of the effect of other metals on the system shows that this reagent is very selective for these two analytes and other metal ions do not show any interference. پرونده مقاله

دسترسی آزاد مقاله

34 - 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

35 - 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

36 - Genetic Algorithm and ANN for Estimation of SPIV of Micro Beams
M. Heidari

In this paper, the static pull-in instability (SPIV) of beam-type micro-electromechanical systems is theoretically investigated. Herein, modified strain gradient theory in conjunction with Euler–Bernoulli beam theory have been used for mathematical modeling of the چکیده کامل

In this paper, the static pull-in instability (SPIV) of beam-type micro-electromechanical systems is theoretically investigated. Herein, modified strain gradient theory in conjunction with Euler–Bernoulli beam theory have been used for mathematical modeling of the size dependent instability of the micro beams. Considering the mid-plane stretching as the source of the nonlinearity in the beam behavior, a nonlinear size-dependent Euler-Bernoulli beam model is used based on a modified couple stress theory, capable of capturing the size effect. Two common beam-type systems including double-clamped and clamped-free cantilever have been investigated. By selecting a range of geometric parameters such as beam lengths, width, thickness, gaps and size effect, we identify the static pull-in instability voltage. Back propagation artificial neural network (ANN) with three functions have been used for modelling the static pull-in instability voltage of micro beam. Effect of the size dependency on the pull-in performance has been discussed for both micro-structures. The network has four inputs of length, width, gap and the ratio of height to scale parameter of beam as the independent process variables, and the output is static pull-in voltage of microbeam. The number of nodes in the hidden layer, learning ratio and momentum term are optimized using genetic algorithms (GAs). Numerical data, employed for training the network and capabilities of the model in predicting the pull-in instability behaviour has been verified. The output obtained from neural network model is compared with numerical results, and the amount of relative error has been calculated. Based on this verification error, it is shown that the back propagation neural network has the average error of 6.36% in predicting pull-in voltage of cantilever micro-beam. Resultant low relative error value of the ANN model indicates the usability of the BPN in this area. پرونده مقاله

دسترسی آزاد مقاله

37 - Estimation of Surface Roughness in Turning by Considering the Cutting Tool Vibration, Cutting Force and Tool Wear
A. Salimi A. Ebrahimpour M. Shalvandi E. Seidi

Surfacequality along with the low production cost, play significant role in today’s manufacturing market. Quality of a product can be described by various parameters. One of the most important parameters affecting the product quality is surface roughness of the ma چکیده کامل

Surfacequality along with the low production cost, play significant role in today’s manufacturing market. Quality of a product can be described by various parameters. One of the most important parameters affecting the product quality is surface roughness of the machined parts. Good surface finish not only assures quality, but also reduces the product cost. Before starting any machining process, surface finish is predictable using cutting parameters and estimation methods. Establishing a surface prediction system on a machine tool, avoids the need for secondary operation and leads to overall cost reduction. On the other hand, creating a surface estimation system in a machining plant, plays an important role in computer integrated manufacturing systems (CIMS). In this study, the effect of cutting parameters, cutting tool vibration, tool wear and cutting forces on surface roughness are analyzed by conducting experiments using different machining parameters, vibration and dynamometers sensors to register the amount of tool vibration amplitude and cutting force during the machining process. For this, a number of 63 tests are conducted using of different cutting parameters. To predict the surface quality for different parameters and sensor variables, an ANN model is designed and verified using the test results. The results confirm the model accuracy in which the R2 value of the tests was obtained as 0.99 comparing with each other. پرونده مقاله

دسترسی آزاد مقاله

38 - Designing an Artificial Neural Network Based Model for Online Prediction of Tool Life in Turning
A. Salimiasl A. Özdemir I. Safarian

Artificial neural network is one of the most robust and reliable methods in online prediction of nonlinear incidents in machining. Tool flank wear as a tool life criterion is an important task which is needed to be predicted during machining processes to establish an on چکیده کامل

Artificial neural network is one of the most robust and reliable methods in online prediction of nonlinear incidents in machining. Tool flank wear as a tool life criterion is an important task which is needed to be predicted during machining processes to establish an online tool life estimation system.In this study, an artificial neural network model was developed to predict the tool wear and tool life in turning process. Cutting parameters and cutting forces were used as input and tool flank wear rates were regarded as target data for creating the online prediction system. SIMULINK and neural network tool boxes in MATLAB software were used for establishing a reliable online monitoring model. For generalizing the model, full factorial method was used to design the experiments. Predicted results were compared with the test results and a full confirmation of the model was reached. پرونده مقاله

دسترسی آزاد مقاله

39 - Vibration based Assessment of Tool Wear in Hard Turning using Wavelet Packet Transform and Neural Networks
vahid pourmostaghimi Mohammad Zadshakoyan Morteza Homayon Sadeghi

Demanding high dimensional accuracy of finished work pieces and reducing the scrap and production cost, call for devising reliable tool condition monitoring system in machining processes. In this paper, a tool wear monitoring system for tool state evaluation during hard چکیده کامل

Demanding high dimensional accuracy of finished work pieces and reducing the scrap and production cost, call for devising reliable tool condition monitoring system in machining processes. In this paper, a tool wear monitoring system for tool state evaluation during hard turning of AISI D2 is proposed. The method is based on the use of wavelet packet transform for extracting features from vibration signals, followed by neural network for associating the root mean square values of extracted features with tool flank wear values of the cutting tool. From the result of performed experiments, coefficient of determination and root mean square error for the proposed tool wear monitoring system were found to be 99% and 0.0104 respectively. The experimental results show that wavelet packet transform of vibration signals obtained from the cutting tool has high accuracy in tool wear monitoring. Furthermore, the proposed neural network has the acceptable ability in generalizing the system characteristics by predicting values close to the actual measured ones even for the cutting conditions not encountered in the training stage. پرونده مقاله

دسترسی آزاد مقاله

40 - Comparison of Neural Networks and Fuzzy System for Estimation of Heat Transfer Between Contacting Surfaces
Shayan Fathi Mohammad Eftekhari Arman Adamian

Neural networks can be used in various subjects, such as the discovery of relationships, identification, system modelling, optimization and nonlinear pattern recognition. One of the interesting applications of this algorithm is heat transfer estimation between contactin چکیده کامل

Neural networks can be used in various subjects, such as the discovery of relationships, identification, system modelling, optimization and nonlinear pattern recognition. One of the interesting applications of this algorithm is heat transfer estimation between contacting surfaces. In the current investigation, a comparison study is done for temperature transfer function estimation between contacting surfaces using Group Method of Data Handling (GMDH) neural networks and ANFIS (Adaptive Neuro Fuzzy Inference System) algorithm. Different algorithms are trained and tested by means of input–output data set taken from the experimental study and the inverse solution using the Conjugate Gradient Method (CGM) with the adjoint problem. Eventually, the optimal model has been chosen based on the common error criteria of root mean square error. According to the obtained results among different models, ANFIS with gaussmf membership function has the best algorithm for identification of TCC between two contacting surfaces with 0.1283 error. Also, the inverse method has the lowest error for thermal contact conductance estimation between fixed contacting surfaces with root mean square error of 0.211. پرونده مقاله

دسترسی آزاد مقاله

41 - Design of an Intelligent Adaptive Control with Optimization System to Produce Parts with Uniform Surface Roughness in Finish Hard Turning
vahid pourmostaghimi Mohammad Zadshakoyan

In this paper, a real-time intelligent adaptive control with optimization methodology is proposed to produce parts with uniform surface roughness in finish turning of hardened AISI D2. Unlike traditional optimization approaches, the proposed methodology considers cuttin چکیده کامل

In this paper, a real-time intelligent adaptive control with optimization methodology is proposed to produce parts with uniform surface roughness in finish turning of hardened AISI D2. Unlike traditional optimization approaches, the proposed methodology considers cutting tool real condition. Wavelet packet transform of cutting tool vibration signals followed by neural network was used to estimate tool flank wear. Intelligent models (artificial neural networks and genetic programming) were utilized to predict surface roughness and tool wear during machining process. Particle swarm optimization algorithm determined optimum feed rate that resulted in desired surface roughness. Performed confirmatory experiments indicated that the proposed adaptive control method not only resulted in parts with acceptable uniform quality, but also decreased the machining cost up to 8.8% and increased material removal rate up to 20% in comparison with those of traditional CNC turning systems. پرونده مقاله

دسترسی آزاد مقاله

42 - Depth Image Resolution Enhancement Using Discrete Wavelet Transform and Convolution Neural Networks
Mohsen Ashourian Seyed Mehrdad Mahdavi

10.52547/mjtd.10.1.9

The depth image plays an increasingly important role in fundamental research and daily applications, with the reducing the price and increasing the number of affordable and portable depth cameras. Infrared sensors or depth sensors are widely used to control dynamic and چکیده کامل

The depth image plays an increasingly important role in fundamental research and daily applications, with the reducing the price and increasing the number of affordable and portable depth cameras. Infrared sensors or depth sensors are widely used to control dynamic and static 3D scenes. However, the depth image quality is limited to low-quality images, as the infrared sensor does not have high resolution. Therefore, given the problems and the importance of using 3-D images, the quality of these images should be improved in order to provide accurate images from depth cameras. In this paper a resolution enhancement method of depth images using convolutional neural networks is considered. A convolutional neural network with a depth of 20 and three layers and a pre-trained neural network is used. We developed the system and tested its performance for two datasets, Middlebury and EURECOM Kinect Face. Results show for EURECOM Kinect Face images, PSNR improvement is approximately 7 to 16 dB and for Middlebury images the PSNR improvement is about 6 to 12 dB. پرونده مقاله

دسترسی آزاد مقاله

43 - A Survey on Face Recognition Based on Deep Neural Networks
mohsen Norouzi Ali Arshaghi

10.30486/mjtd.2023.1977609.1016

Face recognition is one of the most important and challenging issues in computer vision and image processing. About half a century ago, since the first face recognition system was introduced, facial recognition has become one of the most important issues in industry and چکیده کامل

Face recognition is one of the most important and challenging issues in computer vision and image processing. About half a century ago, since the first face recognition system was introduced, facial recognition has become one of the most important issues in industry and academia. In recent years, with the developing of computers throughput and developments of a new generation of hierarchical learning algorithms called deep learning, much attention has been devoted to solving learning problems by deep learning algorithms. Deep neural networks perform feature learning instead of feature extraction which by this strategy they are much useful for image processing and computer vision problems. Deep neural network through feature learning perform data representation well and have gained many successes in learning and complex problems, many studies have been done on the application of deep neural networks to face recognition and many successes has been achieved. In this study we examine the neural network based methods used for face recognition such as multilayer perceptrons, restricted Boltzmann machine and auto encoders. Most of our study devoted to convolutional neural network as one of the most successful deep learning algorithms. At the end we have examined the results of the encountered methods on ORL, AR, YALE, FERET datasets and show deep neural network has gained high recognition rate in comparing with benchmark methods. پرونده مقاله

دسترسی آزاد مقاله

44 - Road Detection with Deep Learning in Satellite Images
Zohreh Dorrani

10.30486/mjtd.2023.1979006.1024

Road detection from high-resolution satellite images using deep learning is proposed in this article. The VGG19 architecture, which is one of the deep convolutional neural network architectures, is used in the proposed method. To detect the road, two steps are implement چکیده کامل

Road detection from high-resolution satellite images using deep learning is proposed in this article. The VGG19 architecture, which is one of the deep convolutional neural network architectures, is used in the proposed method. To detect the road, two steps are implemented. To achieve high accuracy, image segmentation is done in the first step. At this stage, based on the semantic division, the objects whose area is small are removed. In the second stage, edge detection of images combines two techniques of segmentation and edge detection to improve road detection. Considering the good accuracy of the VGG19 architecture and the need for few parameters, the obtained results are favorable. To check the performance of the proposed method, the IoU criterion was used. The values obtained for this criterion show an improvement of more than 80%. While this criterion is less than 80% for the compared methods. The obtained results can be used for the purposes of digital mapping, transportation management and many other applications. پرونده مقاله

دسترسی آزاد مقاله

45 - Detection and Segmentation of Breast Cancer Using Auto Encoder Deep Neural Networks
Ageel Abed Mehran Emadi

10.30486/mjtd.2023.1992477.1045

Breast cancer is the most common type of cancer among women worldwide. If diagnosed by a doctor in the early stages, it can save the patient's life. Ultrasound imaging is one of the most widely used diagnostic tools for diagnosing and classifying breast abnormalities. H چکیده کامل

Breast cancer is the most common type of cancer among women worldwide. If diagnosed by a doctor in the early stages, it can save the patient's life. Ultrasound imaging is one of the most widely used diagnostic tools for diagnosing and classifying breast abnormalities. However, accurate segmentation of the ultrasound image is a challenging problem due to the artifacts created on the ultrasound image. Although deep learning-based methods have been able to overcome some of these challenges, the accuracy of tumor region detection in this image is still low. In this paper, we have proposed approaches for breast ultrasound image segmentation based on auto-encoder deep neural network. The proposed method has two parts. The classification section to determine the image with cancerous tissue and the tumor segmentation section to segment the desired area. which will be shown in the network output of the encoder itself. The proposed method has been evaluated qualitatively and quantitatively. The superiority of the proposed method with accuracy and dice criteria is 89 and 90 percent, respectively which shows the effectiveness of this method in diagnosis. پرونده مقاله

دسترسی آزاد مقاله

46 - پایش تغییرات سطح پوشش جنگل های حوزه سیاه مزگی استان گیلان با استفاده از تصاویر لندست
سید آرمین هاشمی سید رضا فاطمی طلب حمیده کاوسی کلاشمی مرتضی معدنی پور کرمانشاهی

در طول دهه‌های اخیر جنگل‌های خزری توسط دخالت‌های انسانی مورد تعرض قرار گرفته‌اند. دسترسی آسان، فراوانی و تنوع محصولات جنگلی با ارزش منجر به افزایش تراکم جمعیت، ایجاد مناطق مسکونی جدید و فعالیت‌های جنگل‌زدایی شده است. آشکار ساختن تغییرات یکی از روش‌های اساسی در مدیریت و چکیده کامل

در طول دهه‌های اخیر جنگل‌های خزری توسط دخالت‌های انسانی مورد تعرض قرار گرفته‌اند. دسترسی آسان، فراوانی و تنوع محصولات جنگلی با ارزش منجر به افزایش تراکم جمعیت، ایجاد مناطق مسکونی جدید و فعالیت‌های جنگل‌زدایی شده است. آشکار ساختن تغییرات یکی از روش‌های اساسی در مدیریت و ارزیابی منابع طبیعی است. هدف از این مطالعه پایش تغییرات سطح جنگل‌های سیاه مزگی در دو مقطع زمانی (2000 و 2015)، با استفاده از تصاویر لندست +ETM سال 2000 و OLI سال 2015 است. به منظور تهیه نقشه وضعیت گستره جنگل در سال‌های 2000 و 2015، تصاویر با استفاده از 20 نقطه کنترل زمینی که به صورت تصادفی از سرتاسر حوزه برداشت، و با نقشه های توپوگرافی منطقه تصحیح هندسی گردید. پس از انتخاب بهترین مجموعه باندی با استفاده از شاخص فاصله باتاچاریا، طبقه‌بندی تصاویر با استفاده از الگوریتم شبکه عصبی مصنوعی انجام گرفت. نتایج طبقه‌بندی به روش شبکه عصبی در تصاویر سال 2000 و 2015 در حوزه سیاه مزگی نشان داد که صحت کلی به ترتیب 75/95% و 96/95% است. همچنین مساحت اراضی جنگل طی سال‌های 2000 تا 2015 به اندازه 55/213 هکتار کاهش داشته است. همچنین مراتع متراکم نیز کاهش چشمگیری داشته اما در این بازه زمانی بر وسعت زراعت دیم و مراتع نیمه متراکم به میزان 95/169 و 6/9 هکتار افزوده شده است. پرونده مقاله

دسترسی آزاد مقاله

47 - بررسی پتانسیل اراضی استان کرمانشاه جهت کشت گندم دیم با استفاده از شبکه عصبی مصنوعی
میلاد باقری محمدرضا جلوخانی نیارکی کیوان باقری

با افزایش روزافزون جمعیت و نیاز به مواد غذایی، گندم به عنوان محصولی با بیشترین سطح زیر کشت و تولید سالانه در مقیاس جهانی از اهمیت ویژه‌ای برخوردار بوده است لذا شناسایی و معرفی مناطق مساعد کشت آن در هر منطقه ضروری است. استان کرمانشاه به‌عنوان محدوده مورد مطالعه یکی از من چکیده کامل

با افزایش روزافزون جمعیت و نیاز به مواد غذایی، گندم به عنوان محصولی با بیشترین سطح زیر کشت و تولید سالانه در مقیاس جهانی از اهمیت ویژه‌ای برخوردار بوده است لذا شناسایی و معرفی مناطق مساعد کشت آن در هر منطقه ضروری است. استان کرمانشاه به‌عنوان محدوده مورد مطالعه یکی از مناطق حاصلخیزی است که بیشترین کشت گندم را در بین محصولات زراعی دارد. بدین منظور در این مطالعه از شبکه عصبی پرسپترون چندلایه (MLP) با الگوریتم آموزش لونبرگ- مارکوات جهت شناسایی و معرفی مناطق مساعد کشت گندیم دیم استفاده شد. لایه‌های ورودی شبکه شامل 12 لایه؛ کاربری اراضی، میانگین بارندگی سالانه، میانگین بارندگی فصل پاییز، میانگین بارندگی فصل بهار، میانگین دمای سالانه، میانگین دمای فصل بهار، میانگین دمای فصل پاییز، شیب، جهت شیب، ارتفاع از سطح دریا، رطوبت نسبی، درجه- روز است. لایه‌های مربوط به بارندگی و دما به ترتیب با استفاده از داده‌های ایستگاه‌های باران‌سنجی و سینوپتیک و عمل درون‌یابی در محیط ArcGIS تهیه شدند. لایه های وابسته به ارتفاع نیز با استفاده از DEM با قدرت تفکیک 30×30 متر IRS استخراج شدند. ابتدا به منظور تعیین فضای جست وجو الگوریتم شبکه عصبی، مناطق غیر قابل کشت تعیین و از کل لایه های ورودی حذف گردید. 210 مکان مناسب کشت به عنوان نقاط آموزشی شبکه تهیه شد. در نهایت کلاس مناطق غیر قابل کشت که 15% و نتایج حاصل از مدل شامل پنج کلاس بسیار مساعد، مساعد، نسبتاً مساعد، نامساعد و بسیار نامساعد که به ترتیب 5/4، 14/8، 24، 22/5 و 18/3 درصد از کل مساحت استان را به خود اختصاص داده‌اند، تعیین شد. همچنین ضریب رگرسیون کلی 91 درصدی شبکه که حاصل شرکت کلیه داده در شبکه است، بیانگر کارای بالای شبکه عصبی پرسپترون چندلایه در این پهنه‌ بندی است. پرونده مقاله

دسترسی آزاد مقاله

48 - برآورد تغییرات سطح پوشش جنگل های رودسر با استفاده از روش های طبقه بندی شبکه عصبی مصنوعی و حداکثر احتمال
سید رضا فاطمی طلب مرتضی معدنی پور کرمانشاهی سید آرمین هاشمی

امروزه کسب آگاهی و دانش در رابطه با پوشش گیاهی نقش مهمی را در مدیریت خاک ها ایفا می کند. بااین وجود برآورد پوشش گیاهی به روش معمولی که شامل برآورد کلی از پوشش گیاهی است هم زمان بر است و هم اطلاعات چندان دقیقی را به دست نمی دهد. از این رو سنجش از دور فنآوری بسیار مفیدی ا چکیده کامل

امروزه کسب آگاهی و دانش در رابطه با پوشش گیاهی نقش مهمی را در مدیریت خاک ها ایفا می کند. بااین وجود برآورد پوشش گیاهی به روش معمولی که شامل برآورد کلی از پوشش گیاهی است هم زمان بر است و هم اطلاعات چندان دقیقی را به دست نمی دهد. از این رو سنجش از دور فنآوری بسیار مفیدی است که به دلیل کاهش زمان و هزینه، بر سایر روش ها ارجحیت داده می شود. در این تحقیق سعی بر آن شد با استفاده از تکنیک های سنجش از دور و تصاویر سنجنده ETM+سال 2000 و لندست 8 مربوط به سال 2013 نقشه پوشش جنگل های رودسر تهیه شود. طبقه بندی رقومی تصویر منطقه جهت تهیه نقشه کاربری اراضی با استفاده از طبقه بندی کننده حداکثر احتمال و شبکه عصبی با شرکت دادن مجموعه باندهای مختلف انجام شد. نتایج نشان داد که در بهترین حالت، صحت کلی طبقه بندی تصویر در روش شبکه عصبی ETM+ سال 2000 و لندست 8 سال 2013 به ترتیب معادل 95/0 و 95/0 و ضریب کاپای 91/0 و 91/0 برآورد شد. دقت کلی در روش حداکثر احتمال در تصویر سال 2000 و 2013 معادل 95/0 و 85/0 و آماره کاپا معادل 86/0 و 84/0 محاسبه گردید. نتایج تحقیق همچنین نشان داد میزان کاهش پوشش جنگلی در روش طبقه بندی شبکه عصبی 507/1054 هکتار و میزان کاهش پوشش جنگلی در روش طبقه بندی حداکثر احتمال 319/635 هکتار بوده است. با توجه به دقت طبقه بندی و آماره کاپا مشاهده می شود دقت و ضریب کاپای روش طبقه بندی شبکه عصبی بالاتر از دقت و ضریب کاپا در روش حداکثر احتمال است. پرونده مقاله

دسترسی آزاد مقاله

49 - برآورد تبخیر و تعرق با استفاده از سنجش از دور، شبکه های عصبی مصنوعی و مقایسه نتایج آن با روش پنمن- مانتیث- فائو در باغات مرکبات شمال خوزستان
عزیز عظیمی کاظم رنگزن مصطفی کابلی زاده محمد خرمیان

تبخیر و تعرق یکی از مهمترین عوامل اتلاف آب می باشد. تبخیر و تعرق یک پدیده پیچیده ای است که به عوامل و داده های زیادی بستگی دارد، بنابراین برآورد دقیق میزان تبخیر و تعرق، بسیار مشکل و پرهزینه می باشد. هدف از این مطالعه برآورد تبخیر و تعرق با استفاده از الگوریتم توازن انر چکیده کامل

تبخیر و تعرق یکی از مهمترین عوامل اتلاف آب می باشد. تبخیر و تعرق یک پدیده پیچیده ای است که به عوامل و داده های زیادی بستگی دارد، بنابراین برآورد دقیق میزان تبخیر و تعرق، بسیار مشکل و پرهزینه می باشد. هدف از این مطالعه برآورد تبخیر و تعرق با استفاده از الگوریتم توازن انرژی سطحی برای زمین (سبال) و همچنین ارزیابی عملکرد شبکه های عصبی مصنوعی در برآورد تبخیر و تعرق می باشد. جهت محاسبه میزان سبال تبخیر و تعرق، روش الگوریتم سبال بوسیله تصاویر ماهواره ای مورد استفاده قرار گردید. در این تحقیق از چهار تصویر لندست 8 استفاده شد که مقایسه نتایج بدست آمده از دو روش، سنجش از دور و معادله پنمن- مانتیث- فائو، نشان می‌دهد که میانگین مربعات خطا (MSE) 54/1 و میانگین خطای مطلق (MAE) 04/1 میلیمتر در روز می‌باشد. برای حل پیچیدگی فرآیند تبخیر، از شبکه‌های عصبی مصنوعی برای پیش بینی تبخیر از تشت بر اساس داده‌های هواشناسی استفاده گردید. در این تحقیق شبکه پرسپترون با الگوریتم پس انتشار خطا برای آموزش آن استفاده شد. برای آموزش شبکه از داده های اقلیمی روزانة 13 ساله ایستگاه صفی آباد دزفول استفاده شد. نتایج حاصل از محاسبات نشان داد بهترین شبکه، شبکه‌ای با همه ورودی‌ها، با یک لایه پنهان و 28 نرون در لایه میانی می‌باشد. نتایج پیاده سازی این شبکه نشان دهنده، شاخص های آماری معیارهای میانگین مربعات خطا (MSE) 0032/0، میانگین خطای مطلق (MAE) 0445/0 و ضریب تبین (R2) 9609/0 می‌باشد. مقایسه نتایج بدست آمده از روش شبکه های عصبی مصنوعی با روش پنمن- مانتیث- فائو نشان می‌دهد که میانگین مربعات خطا (MSE) 11/1 و میانگین خطای مطلق (MAE) 52/0 میلی متر در روز می‌باشد. این نتایج، بیانگرعملکرد بهتر شبکه‌های عصبی مصنوعی نسبت به روش سنجش از دور در برآورد میزان تبخیر و تعرق می‌باشد. پرونده مقاله

دسترسی آزاد مقاله

50 - 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 شوشتری

اراضی 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 کامل

اراضی 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

51 - کدبرداری از کدهای خطی بر مبنای معادله سندرم با استفاده از یادگیری عمیق
علی مرادی محمد تحقیقی شربیان

استفاده از کدهای طول کوتاه در ارتباطات دیجیتال به خاطر فراگیر شدن پدیده اینترنت اشیاء از اهمیت ویژه‌ای برخوردار است. از طرفی مدل های یادگیری عمیق در زمینه‌های مختلفی مانند تشخیص اشیاء و تشخیص گفتار نتایج لبه علمی را بدست آورده‌اند. از این میان شبکه‌های کانولوشنی نقش اسا چکیده کامل

استفاده از کدهای طول کوتاه در ارتباطات دیجیتال به خاطر فراگیر شدن پدیده اینترنت اشیاء از اهمیت ویژه‌ای برخوردار است. از طرفی مدل های یادگیری عمیق در زمینه‌های مختلفی مانند تشخیص اشیاء و تشخیص گفتار نتایج لبه علمی را بدست آورده‌اند. از این میان شبکه‌های کانولوشنی نقش اساسی در موفقیت مدل های یادگیری عمیق را دارند. برای افزایش دقت کدبرداری کدهای طول کوتاه (Low Density Parity Check Codes) بر مبنای معادله علامت از شبکه کانولوشنی استفاده گردید. برای تعیین جواب معادله علامت، از روش تشخیص الگوی خطا بهره گرفته شد. به این منظور، نخست شبکه کانولوشنی یک بعدی با سه لایه اصلی که هر لایه شامل زیرلایه‌های کانولوشن و ادغام میباشند استفاده شد. سپس خروجی شبکه کانولوشنی بر شبکه برگشتی GRU اعمال گردید. شبکه برگشتی GRU با تعداد سه برابر طول کدواژه با تابع فعالسازی ReLU مورد استفاده واقع گردید. تعیین مقدار ابرپارامترهای شبکه عصبی مورد استفاده ابتدا بصورت مقادیر پیش فرض کتابخانه تنسورفلو نسخه ۲ مقدار دهی و در برخی موارد برای افزایش دقت تغییر داده شدند.مقایسه بین مدل ترکیبی حاصل از شبکه کانولوشنی یک بعدی و شبکه برگشتی با مدل شبکه برگشتی نشان می دهد که برای کد LDPC با طول ۶۴ در کاهش نرخ خطای بیت، مدل ترکیبی حاصل از شبکه کانولوشنی و شبکه GRU بهتر عمل میکند. نرخ خطای بیت در شرایط نویزی مختلف به میزان ۵.۰ تا ۸.۰ دسیبل کمتر از میزان کدبردار بیشینه‌گر احتمال میباشد. همچنین نشان دادیم که شبکه‌های کانولوشنی در کنار شبکه‌های برگشتی پتانسیل این را دارند که بتوانند عملکرد چنین شبکه‌هایی را بهبود ببخشند. پرونده مقاله

دسترسی آزاد مقاله

52 - Free Vibrations of Three-Parameter Functionally Graded Plates Resting on Pasternak Foundations
J.E Jam S Kamarian A Pourasghar J Seidi

In this research work, first, based on the three-dimensional elasticity theory and by means of the Generalized Differential Quadrature Method (GDQM), free vibration characteristics of functionally graded (FG) rectangular plates resting on Pasternak foundation are focuse چکیده کامل

In this research work, first, based on the three-dimensional elasticity theory and by means of the Generalized Differential Quadrature Method (GDQM), free vibration characteristics of functionally graded (FG) rectangular plates resting on Pasternak foundation are focused. The two-constituent functionally graded plate consists of ceramic and metal grading through the thickness. A three-parameter power-law distribution is considered for the ceramic volume fraction. The benefit of using a three-parameter power-law distribution is to illustrate and present useful results arising from symmetric, asymmetric and classic profiles. A detailed parametric study is carried out to highlight the influences of different profiles of fiber volume fraction, three parameters of power-law distribution and two-parameter elastic foundation modulus on the vibration characteristics of the FG plates. The main goal of the structural optimization is to minimize the weight of structures while satisfying all design requirements imposed. Thus, for the second aim of this paper, volume fraction optimization of FG plates with objective of minimizing the density to achieve a specified fundamental frequency is presented. The primary optimization variables are the three parameters of the volume fraction of ceramic. Since the optimization processes is complicated and too much time consuming, a novel meta–heuristic called Imperialist Competitive Algorithm (ICA) which is a socio-politically motivated global search strategy and Artificial Neural Networks (ANNs) are applied to obtain the best material profile through the thickness. The performance of ICA is evaluated in comparison with other nature inspired technique Genetic Algorithm (GA). Comparison shows the success of combination of ANN and ICA for design of material profile of FG plates. Finally the optimized material profile for the considered optimization problem is presented. پرونده مقاله

دسترسی آزاد مقاله

53 - Deep Learning: Concepts, Types, Applications, and Implementation
Fereshteh Aghabeigi Sara Nazari Nafiseh Osati Iraqi

Today, deep learning has attracted attention in various scientific and non-scientific fields. Deep learning is a branch of machine learning that simulates the human brain for various applications like recognizing voice, face, handwriting, identifying kinship, image proc چکیده کامل

Today, deep learning has attracted attention in various scientific and non-scientific fields. Deep learning is a branch of machine learning that simulates the human brain for various applications like recognizing voice, face, handwriting, identifying kinship, image processing, and etc. In deep learning, a set of representation algorithms is used to model high-level abstract concepts through learning at different levels and layers. Deep learning has become popular due to its capabilities like automatic feature extraction, high extendibility, and wide application in different fields. In this paper, it is tried to describe different deep learning models and architectures, how they are trained, and the required hardware and software structures. پرونده مقاله

دسترسی آزاد مقاله

54 - به‌کارگیری مدلRNN شبکه‌ عصبی مصنوعی جامع جهت ارزش‌گذاری معاملات بلوکی
عادله بحرینی مریم اکبریان فرد مهدی خوشنود

درگذشته مطالعات برعوامل تاثیر گذار بر معاملات بلوکی شرکت‌ها متمرکز بوده اند، در حالی که ارزش‌گذاری معاملات بلوکی برای اولین بار با استفاده از مدل یادگیری عمیق Rnn ، انجام شده است.ارزش‌گذاری معاملات بلوکی کمک می‌کند تا بتواند ترکیب مناسبی از سهام بلوکی را برای به حداکثر چکیده کامل

درگذشته مطالعات برعوامل تاثیر گذار بر معاملات بلوکی شرکت‌ها متمرکز بوده اند، در حالی که ارزش‌گذاری معاملات بلوکی برای اولین بار با استفاده از مدل یادگیری عمیق Rnn ، انجام شده است.ارزش‌گذاری معاملات بلوکی کمک می‌کند تا بتواند ترکیب مناسبی از سهام بلوکی را برای به حداکثر رساندن بازده در افق موردنظر انتخاب کند.هدف این پژوهش بررسی اطلاعات حاصل ازگزارش‌های مالی شرکت‌های پذیرفته شـده دربـورس اوراق بهادارتهران درقالب 15 شاخص مالی و یافتن میزان تاثیر آن شاخص‌ها بر ارزش‌گذاری معاملات بلوکی با استفاده از آزمون rmse بر روی داده‌های موردمطالعه می باشد. بدین منظورازاطلاعات مالی 64 شرکت ازمجموعه شرکت‌های پذیرفتـه شـده درسـازمان بـورس اوراق بهادارتهران برای دوره زمانی 1390تا1400 استفاده شده است.نتایج نشان می دهد پیش‌بینی ارزش‌گذاری معاملات بلوکی باعث تمرکز بر بلوک‌هایی با اندازه بزرگتر به عنوان معیار اندازه گیری منافع خصوصی، می‌تواند معاملاتی که صرفاً عملیات مالی و با هدف سوددهی هستند را تحت تاثیر قرار ‌دهد و انگیزه ی نهفته خریدار بلوک برای رسیدن به کنترل و منافع مالی یا استراتژیک را شناسایی کندو قابلیت اجرایی داشته باشد. پرونده مقاله

دسترسی آزاد مقاله

55 - Prediction the Return Fluctuations with Artificial Neural Networks' Approach
Masoud Taherinia Mohsen Rashidi Baghi

10.22034/amfa.2019.580643.1149

Time changes of return, inefficiency studies performed and presence of effective factors on share return rate are caused development modern and intelligent methods in estimation and evaluation of share return in stock companies. Aim of this research is prediction of ret چکیده کامل

Time changes of return, inefficiency studies performed and presence of effective factors on share return rate are caused development modern and intelligent methods in estimation and evaluation of share return in stock companies. Aim of this research is prediction of return using financial variables with artificial neural network approach. Therefore, the statistical population of this study includes 120 listed companies in Tehran stock securities during 2005 to 2017. Independent variables in this research are market variables (Earning quality, free cash flow) and dependent variable is share return. The obtained outputs from estimation of the artificial neural networks and results obtained from estimation, using of this method with evaluation scales concerning random amount and comparing it with adjusted R, we found that there is meaningful relation between the associated variables and return. However, such network has the least error than other networks. پرونده مقاله

دسترسی آزاد مقاله

56 - Hybrid Multilayer Perceptron Neural Network with Grey Wolf Optimization for Predicting Stock Market Index
Meysam Doaei Seyed Ahmad Mirzaei Mohammad Rafigh

10.22034/amfa.2021.1903474.1452

Stock market forecasting is a challenging task for investors and researchers in the financial market due to highly noisy, nonparametric, volatile, complex, non-linear, dynamic and chaotic nature of stock price time series. With the development of computationally intelli چکیده کامل

Stock market forecasting is a challenging task for investors and researchers in the financial market due to highly noisy, nonparametric, volatile, complex, non-linear, dynamic and chaotic nature of stock price time series. With the development of computationally intelligent method, it is possible to predict stock price time series more accurately. Artificial neural networks (ANNs) are one of the most promising biologically inspired techniques. ANNs have been widely used to make predictions in various research. The performance of ANNs is very dependent on the learning technique utilized to train the weight and bias vectors. The proposed study aims to predict daily Tehran Exchange Dividend Price Index (TEDPIX) via the hybrid multilayer perceptron (MLP) neural networks and metaheuristic algorithms which consist of genetic algorithm (GA), particle swarm optimization (PSO), black hole (BH), grasshopper optimization algorithm (GOA) and grey wolf optimization (GWO). We have extracted 18 technical indicators based on the daily TEDPIX as input parameters. Therefore, the experimental result shows that grey wolf optimization has superior performance to train MLPs for predicting the stock market in metaheuristic-based. پرونده مقاله

دسترسی آزاد مقاله

57 - ANN-DEA Approach of Corporate Diversification and Efficiency in Bursa Malaysia
Meysam Doaei Seyed Hashem Davarpanah Mahdi Sabzi

10.22034/amfa.2017.529058

There is little consensus on the corporate diversification-efficiency relationship in the diversification literature. According to the corporate diversification, firms have a tendency to get more market share with diversifying in the local segment or in the internationa چکیده کامل

There is little consensus on the corporate diversification-efficiency relationship in the diversification literature. According to the corporate diversification, firms have a tendency to get more market share with diversifying in the local segment or in the international market. Theoretically, a contradictory exists between the profitable strategy and the value reducing strategy in the diversification strategy. In this paper, we measure firm’s efficiency by applying Data Envelopment Analysis (DEA) in manufacturing firms listed in Bursa Malaysia for five years. Meanwhile, a feed forward multilayer perceptron neural network is applied to model the mapping function between the input and output data to the efficiency score. Back propagation (BP) learning algorithm is applied to update network’s weights through minimizing the cost function, and the best topology of the network is conducted. The result of this study shows that there is a negative relationship between total product diversification and efficiency, and international diversification has a non-linear effect on the efficiency. پرونده مقاله

دسترسی آزاد مقاله

58 - Intelligent prediction of heating value of coal
A. K. Verma T. N. Singh M. Monjezi

The gross calorific value (GCV) or heating value of a sample of fuel is one of the important properties which defines the energy of the fuel. Many researchers have proposed empirical formulas for estimating GCV value of coal. There are some known methods like Bomb Calor چکیده کامل

The gross calorific value (GCV) or heating value of a sample of fuel is one of the important properties which defines the energy of the fuel. Many researchers have proposed empirical formulas for estimating GCV value of coal. There are some known methods like Bomb Calorimeter for determining the GCV in the laboratory. But these methods are cumbersome, costly and time consuming. In this paper, multivariate regression analysis and Co-active neuro-fuzzy inference system (CANFIS) backed by genetic algorithm technique is used for the prediction of GCV, taking all the major constituents of the proximate and ultimate analyses properties as input parameters and the suitability of one technique over the other has been proposed based on the results. Correlations have been developed using multivariate regression analysis that are simple to use based on the proximate and ultimate analysis of data sets from 25 different states of USA because a very through study has been done and the data available is less variable. Also, CANFIS backed by genetic algorithm model is designed to predict the GCV of 4540 US coal samples from the abovementioned datasets. Optimization of the network architecture is done using a systematic approach (genetic algorithm). The network was trained with 4371, cross validation with 100, predicted with rest 69 datasets and the predicted results were compared with the observed values. The mean average percentage error in prediction is found to be negligible (0.2913%) and the generalization capability of the model was established to be excellent. A useful concept of sensitivity analysis is adopted to set the hierarchy of influence of input factors. The results of the present investigation provide functional and vital information for prediction of GCV of any type of coal in USA. پرونده مقاله

دسترسی آزاد مقاله

59 - 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 نژاد

مقاومت 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 کامل

مقاومت 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

60 - Credit Risk Measurement of Trusted Customers Using Logistic Regression and Neural Networks
Gholamreza Khojasteh Saeed Daei Karimzadeh Hossein Sharifi Ranani

The issue of credit risk and deferred bank claims is one of the sensitive issues of banking industry, which can be considered as the main cause of bank failures. In recent years, the economic slowdown accompanied by inflation in Iran has led to an increase in deferred b چکیده کامل

The issue of credit risk and deferred bank claims is one of the sensitive issues of banking industry, which can be considered as the main cause of bank failures. In recent years, the economic slowdown accompanied by inflation in Iran has led to an increase in deferred bank claims that could put the country's banking system in serious trouble. Accordingly, the current paper presents a prediction model for credit risk of real customers of Qavamin Bank Branch in Shiraz, using a combined approach of logistic regression and neural network. Therefore, the necessary examinations were carried out on a sample of 351 individuals from the real customers of the bank in the period 2011-2012. According to the information available, 17 variables were extracted including financial and non-financial variables for classifying customers into well-balanced s and ill-balanced s. Among the variables, five effective variables on credit risk were selected using the parent forward stepwise selection technique, which was used to train neural networks with three neurons in the hidden layer. the optimum cutting point was selected based on the performance curve of the system and the results of the neural network output on the test data show that the accuracy of the combined model in the classifier of well-balanced customers is .89 and in the category of ill-balanced customers is .83 that is better than the results of logistic regression and in general, it is possible to estimate the accuracy of prediction. پرونده مقاله

دسترسی آزاد مقاله

61 - Design and Implementation of Organizational Architecture in Organizations in Charge of Combating Smuggling of Goods and Currency with the Aim of Improving the Management of Organizational Networks
Abdolreza Yari Mohammadali Keramati Ahmadreza Etemadi Abdollah Kouloubandi

10.30495/jsm.2021.1923975.1443

In the current situation, one of the concerns in the fight against smuggling of goods and currency is the improvement of the inter-organizational network. The purpose of this research is to design and implement organizational architecture to improve the management of or چکیده کامل

In the current situation, one of the concerns in the fight against smuggling of goods and currency is the improvement of the inter-organizational network. The purpose of this research is to design and implement organizational architecture to improve the management of organizational networks with SWOT approach, in this area using the artificial neural network toolbox and fuzzy logic in Matlab. This research is applied-modeling in terms of purpose. The statistical population includes expert professors and experts of organizations in charge of combating smuggling of goods and currency. After distributing 100 questionnaires, the sample size of this study is equal to 96 experts who were selected by a combination of two methods of non-probabilistic purposive sampling and snowball sampling. The results show that using the intelligent system, the status of "success of the organization's network management" can be examined numerically and more accurately: In terms of ideal importance, if; The "Network Management Based on EA Application Layer" status is good, ie exactly 0.813, and "Network management based on EA data source layer" is good, ie exactly 0.824, and "Network Management Based on EA Central Component Layer" is good, ie exactly 0.819, and "Network Management Based on EA Data Preparation Layer" is good, ie exactly 0.812, and "Network management based on EA service quality layer" in good condition, ie exactly 0.815;Then; The status of "successful implementation of the organization's network management" is at the top level (fifth level), ie exactly 0.952.According to the membership functions of language variables by experts, the value of 4.76 within the 5-value range in the range defined for the "excellent" language variable, ie the success status of the organization's network management, has been calculated exactly 0.952. پرونده مقاله

دسترسی آزاد مقاله

62 - Designing Cell Production Arrangement Scenarios with the Approach of Artificial Neural Networks
Mahdi Ahmadipanah Kamyar Chalaki Roya Shakeri

10.30495/jsm.2022.1964485.1673

The arrangement of machines and how to move them is one of the most important issues in factories and production units, which always imposes a lot of costs on the collections. Although the arrangement of machines is done once over a long period of time, its effects are چکیده کامل

The arrangement of machines and how to move them is one of the most important issues in factories and production units, which always imposes a lot of costs on the collections. Although the arrangement of machines is done once over a long period of time, its effects are very widespread. Accordingly, it is necessary to pay more attention to the matter of arrangement. Today, cellular production is also one of the widespread production methods at the industrial level, which requires this precision. The current research aims to produce new arrangements by using artificial neural networks. The way of working is that by using the data related to the number of production parts, the production time of each part, and the group of parts under investigation, as well as the costs of the devices, this clustering is done in 3 modes of 4, 6, and 9. Performing this type of clustering has higher accuracy and speed than other methods, and the results may be somewhat different in each scenario and with each clustering time, which increases flexibility in selection. پرونده مقاله

دسترسی آزاد مقاله

63 - Designing an Optimal Model Using Artificial Neural Networks to Predict Non-Linear Time Series (case study: Tehran Stock Exchange Index)
Bahman Ashrafijoo Nasser Fegh-hi Farahmand Yaghoub Alavi Matin kamaleddin rahmani

10.30495/jsm.2022.1965914.1679

Investing in stocks is fraught with long risks that make it tough to manage and predict the choices out there to the investor. Artificial Neural Network (ANN) is a popular method which also incorporates technical analysis for making predictions in financial markets. The چکیده کامل

Investing in stocks is fraught with long risks that make it tough to manage and predict the choices out there to the investor. Artificial Neural Network (ANN) is a popular method which also incorporates technical analysis for making predictions in financial markets. The purpose of this work is an applied study which is conducted using description based on testing as method. The discussion is established on analytical-computational methods. In this research, the documents and statistics of the Tehran Stock Exchange are used to obtain the desired variables. Descriptive statistics and inferential statistics, as well as Perceptron multi-layer neural networks are utilized to analyze the data of this research. The results of this research show the confirmation of the high prediction accuracy of the Tehran Stock Exchange index compared to other estimation methods by the presented model, which has the ability to predict the total index with less than 1.7% error. پرونده مقاله

دسترسی آزاد مقاله

64 - Application of Genetic Algorithm in Development of Bankruptcy Predication Theory Case Study: Companies Listed on Tehran Stock Exchange
Mohsen Hajiamiri Mohammad Reza Shahraki Seyyed Masoud Barakati

The bankruptcy prediction models have long been proposedas a key subject in finance. The present study, therefore, makes aneffort to examine the corporate bankruptcy prediction through employmentof the genetic algorithm model. Furthermore, it attempts to evaluatethe str چکیده کامل

The bankruptcy prediction models have long been proposedas a key subject in finance. The present study, therefore, makes aneffort to examine the corporate bankruptcy prediction through employmentof the genetic algorithm model. Furthermore, it attempts to evaluatethe strategies to overcome the drawbacks of ordinary methods forbankruptcy prediction through application of genetic algorithms. Thesample under investigation in this research includes 70 pairs of bankruptand non-bankrupt companies during 2001-2011. Having examined theobtained data from financial statements of the companies under study,5 financial independent variables were identified so as to be used in themodel. The results indicated that employment of genetic algorithm in predicting financial bankruptcy is highly effective, to the extent it managedto correctly predict the financial bankruptcy of companies twoyears before the base year, one year before the base year and the baseyear at accuracies of 96.44, 97.94 and 95.53, respectively. پرونده مقاله

دسترسی آزاد مقاله

65 - 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 پور

Rivers 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 کامل

Rivers 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

66 - 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 لور

Evaporation 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 کامل

Evaporation 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

67 - Prediction of Longitudinal Dispersion Coefficient of Pollution in Rivers Using a Modified of Neural Networksby Genetic Algorithm
عباس پارسایی امیر حمزه حقی آبی امیر مرادی نژاد

Reductionof Surface water quality and pollution in the environment is majorproblems. This issuewill become more important because the rivers are as a source for supplied for drinking water forpeople, industrial and agriculture. Prediction and modeling of hydraulic pheno چکیده کامل

Reductionof Surface water quality and pollution in the environment is majorproblems. This issuewill become more important because the rivers are as a source for supplied for drinking water forpeople, industrial and agriculture. Prediction and modeling of hydraulic phenomenon is one of themost importantactivities of Hydraulic Engineering. Neural network is one of the most usefulmethods of data processing which capable of modeling the complex relationships between inputand output. In this study, for prediction of the dispersion coefficient of pollution in rivers andthedevelopment of neural network (ANN) and empirical formulas wasstudied. Best accuracy ofthem is related to the Tavakollizadeh and Kashefipur, formula which its error index R 2 􀀠 0.77 .To increase in the perdition of the dispersion coefficient, the multi-layer perceptron (MLP) wasdeveloped. Training process and simulation MLP model was conducted in the Matlabsoftwareenvironment.To increase the performance of the MLP, genetic algorithm for training process isused. The results showed that the MLP are more accurate in comparison with otherempiricalequations.Using genetic algorithms for neural network training the neural networkmodel will further increase its accuracy about the 19 percent. پرونده مقاله

دسترسی آزاد مقاله

68 - شناسایی عوامل تاثیرگذار در رویگردانی مشتریان شرکت مخابرات کردستان و ارائه مدل هایی برای پیش بینی رویگردانی با استفاده از الگوریتم های یادگیری ماشین
vida sadeghi Anvar Bahrampour Seyed Ali Hosseini

10.30495/imj.2023.1987440.1850

مشتریان منبع اصلی درآمد و دارایی مهم برای هر سازمان هستند. با این دیدگاه، امروزه شرکت‌ها تلاش بیشتری را برای حفظ مشتریان موجود آغاز کرده‌اند. از آنجا که در بسیاری از شرکت‌ها هزینه به‌دست آوردن مشتری جدید بسیار بالاتر از هزینه ایجاد رضایتمندی مشتری فعلی است، رویگردانی مش چکیده کامل

مشتریان منبع اصلی درآمد و دارایی مهم برای هر سازمان هستند. با این دیدگاه، امروزه شرکت‌ها تلاش بیشتری را برای حفظ مشتریان موجود آغاز کرده‌اند. از آنجا که در بسیاری از شرکت‌ها هزینه به‌دست آوردن مشتری جدید بسیار بالاتر از هزینه ایجاد رضایتمندی مشتری فعلی است، رویگردانی مشتری به حوزه اصلی نگرانی این شرکت‌ها تبدیل شده است. لذا شرکت‌های مبتنی بر مشتری از جمله شرکت‌های فعال در صنعت مخابرات به دلیل رویگردانی مشتریان با چالش بزرگی روبرو هستند. با توسعه سریع صنعت مخابرات، پیش‌بینی رویگردانی به عنوان یکی از فعالیتهای اصلی در به ‌دست آوردن مزیت رقابتی در بازار محسوب می‌شود. پیش‌بینی رویگردانی مشتری به اپراتورها اجازه می‌دهد تا قبل از مهاجرت مشتریان فعلی به اپراتورهای دیگر، یک دوره زمانی برای اصلاح و اجرای یک سری اقدامات پیشگیرانه داشته باشند. در این پژوهش یک سیستم پشتیبانی تصمیم برای پیش‌بینی و تخمین رویگردانی مشتریان شرکت مخابرات استان کردستان (دارای 529000 مشترک) با روش‌های مختلف داده‌کاوی و یادگیری ماشین (شامل رگرسیون خطی چندگانه (MLR)، رگرسیون چند جمله-ای(PR)، رگرسیون لجستیک، شبکه‌های عصبی مصنوعی، آدابوست و جنگل تصادفی) ارایه شده است. نتایج ارزیابی‌های انجام شده بر روی مجموعه داده‌های شرکت مخابرات استان کردستان عملکرد بالای روش‌های شبکه‌های عصبی مصنوعی با دقت 99.9% ، آدابووست با دقت 100% و جنگل تصادفی با دقت 100% را نشان می‌دهد. پرونده مقاله

دسترسی آزاد مقاله

69 - تخمین عمر مفید باقیماندۀ سیستم‌های مکانیکی با استفاده از روش ترکیبی مدل ریاضی و الگوریتم‌های فراابتکاری
فاطمه مهرگان

پیش‌بینی دقیق از عمر مفید باقیمانده تجهیزات مکانیکی، برای تعمیـرات و نگهداری وسایل ضروری است. تاکنون الگوریتم‌های داده‌محور زیادی ارائه شده است و نتایج خوبی در زمینه عیب‌یابی پیشگویانه حاصل شده است. در این مقاله با استفاده از الگوریتم فرا ابتکاری، بهینه‌سازی پارامترهای چکیده کامل

پیش‌بینی دقیق از عمر مفید باقیمانده تجهیزات مکانیکی، برای تعمیـرات و نگهداری وسایل ضروری است. تاکنون الگوریتم‌های داده‌محور زیادی ارائه شده است و نتایج خوبی در زمینه عیب‌یابی پیشگویانه حاصل شده است. در این مقاله با استفاده از الگوریتم فرا ابتکاری، بهینه‌سازی پارامترهای مربوطه انجام می‌شود، به‌طوری‌که از پنجره زمانی متحرک به‌همراه مدل ریاضی استفاده می‌شود. تنظیم پارامترهای مرتبط با داده‌ها در چارچوب بهینه‌سازی، اجازه استفاده از مدل‌های ساده مثل شبکه‌های عصبی با تعداد کمی لایه پنهان و تعداد کمی نورون در هر لایه را می‌دهد که در محیط‌هایی با منابع محدود نظیر سیستم‌های تعبیه‌شده قابل استفاده هستند. برای ارزیابی کارایی روش ارائه شده پیشنهادی، از شاخص امتیازدهی ریشه میانگین مربعات خطا و امتیاز سلامت عمر مفید استفاده شده است. بدین منظور مجموعه داده‌های تصادفی در نظر گرفته شده است که نتایج آن عمومیت و خاصیت مقیاس‌پذیری آن را نشان می‌دهد. با وجود استفاده از رگرسورها و الگوریتم‌های تکاملی خاص در این مطالعه، ترکیب‌های زیاد دیگری نیز امکان‌پذیر است و ممکن است برای کاربردهای متفاوت مناسب‌تر باشند. به‌علاوه این چارچوب عملاً برای ساخت مدل، یعنی ایجاد بهترین معماری شبکه عصبی ممکن متناسب با یک کاربرد خاص، قابل استفاده است. پرونده مقاله

دسترسی آزاد مقاله

70 - Proposing a New Method to Optimize the Routing in the Distribution of Vendors' Goods Using the Internet of Things (IoT)
Mohammad Sadegh Jahan

Distribution systems are a chain of businesses or intermediaries through which a product or commodity delivers to the customer. One of the most important concerns of customers and manufacturers is the improper distribution of the product to the right place and target cu چکیده کامل

Distribution systems are a chain of businesses or intermediaries through which a product or commodity delivers to the customer. One of the most important concerns of customers and manufacturers is the improper distribution of the product to the right place and target customers, and it can be boldly said that the cost of each product for the customer largely depends on the costs of distribution of the product. On the other hand, the increase in transfers and movements of goods and the demand for speeding up these transfers, along with the reduction of costs related to these transfers, has caused many complexities and problems in this regard in the transportation network. Among the most important problems at present are the increase in traffic volume on various routes, increasing fuel consumption, wasting long time on high-traffic routes, increasing air pollution, and so on. In this study, a new stochastic algorithm to optimally select the route to prevent increased costs and reduce time and air pollution caused by traffic on busy routes while transporting goods. And we offer products from the place of production / factories to places of distribution. In this algorithm, IoT will be used to select the optimal path. By implementing the proposed algorithm, it can be concluded that the attention of the product production team to strategic issues can be increased in the long run. The number of customers and increasing the share of the company's products in the market will play an effective role. پرونده مقاله

دسترسی آزاد مقاله

71 - Navigation of a Mobile Robot Using Virtual Potential Field and Artificial Neural Network
Mohsen Ashourian Mohammad Rastegari Amirhassan Monadjemi

Mobile robot navigation is one of the basic problems in robotics. In this paper, a new approach is proposed for autonomous mobile robot navigation in an unknown environment. The proposed approach is based on learning virtual parallel paths that propel the mobile robot t چکیده کامل

Mobile robot navigation is one of the basic problems in robotics. In this paper, a new approach is proposed for autonomous mobile robot navigation in an unknown environment. The proposed approach is based on learning virtual parallel paths that propel the mobile robot toward the track using a multi-layer, feed-forward neural network. For training, a human operator navigates the mobile robot in some different paths in the environment. Both of human operator navigating data and virtual parallel paths train the neural network. The neural network is able to map the coordinate of a position to a mobile robot orientation and velocity. After training, the mobile robot can plan a track between start and target position without the need of any human operator. When the environment surrounding the mobile robot is unknown, sensors are used to detect obstacles and avoid collision. The simulated mobile robot is equipped with a rangefinder sensor. The simulation shows promising results and high speed for real-time implementation in unknown and partially dynamic environments. پرونده مقاله

دسترسی آزاد مقاله

72 - Geoid Determination Based on Log Sigmoid Function of Artificial Neural Networks: (A case Study: Iran)
Omid Memarian Sorkhabi

A Back Propagation Artificial Neural Network (BPANN) is a well-known learning algorithmpredicated on a gradient descent method that minimizes the square error involving the networkoutput and the goal of output values. In this study, 261 GPS/Leveling and 8869 gravity int چکیده کامل

A Back Propagation Artificial Neural Network (BPANN) is a well-known learning algorithmpredicated on a gradient descent method that minimizes the square error involving the networkoutput and the goal of output values. In this study, 261 GPS/Leveling and 8869 gravity intensityvalues of Iran were selected, then the geoid with three methods “ellipsoidal stokes integral”,“BPANN”, and “collocation” were evaluated. Finally obtained results were compared and bestthe method was introduced. In Iran, the consequences showed that “BPANN” has been superiorthan other methods. Root Mean Square Error of this algorithm was less than ±0.292 m.Therefore, we concluded that BPANN can be used for geoid determination as an excellentalternative to the classic methods. پرونده مقاله

دسترسی آزاد مقاله

73 - Fuel Cell Voltage Control for Load Variations Using Neural Networks
Zolekh Teadadi Hassan Changiziyan

In the near future the use of distributed generation systems will play a big role in the production ofelectrical energy. One of the most common types of DG technologies , fuel cells , which can be connectedto the national grid by power electronic converters or work alon چکیده کامل

In the near future the use of distributed generation systems will play a big role in the production ofelectrical energy. One of the most common types of DG technologies , fuel cells , which can be connectedto the national grid by power electronic converters or work alone Studies the dynamic behavior andstability of the power grid is of crucial importance. These studies need to know the exact model of dynamicelements. In this paper, a new method based on a neural network algorithm for controlling the fuel cellvoltage is provided. The effects of load change the output voltage characteristic of the fuel cell unit ischecked Simulations in MATLAB / SIMULINK. The results show that the prosecution is conducted in anappropriate manner Voltage Stabilization time. پرونده مقاله

دسترسی آزاد مقاله

74 - Neural Networks in Electric Load Forecasting:A Comprehensive Survey
Vahid Mansouri Mohammad Esmaeil akbari

Review and classification of electric load forecasting (LF) techniques based on artificial neuralnetworks (ANN) is presented. A basic ANNs architectures used in LF reviewed. A wide range of ANNoriented applications for forecasting are given in the literature. These are چکیده کامل

Review and classification of electric load forecasting (LF) techniques based on artificial neuralnetworks (ANN) is presented. A basic ANNs architectures used in LF reviewed. A wide range of ANNoriented applications for forecasting are given in the literature. These are classified into five groups:(1) ANNs in short-term LF, (2) ANNs in mid-term LF, (3) ANNs in long-term LF, (4) Hybrid ANNs inLF, (5) ANNs in Special applications of LF. The major research articles for each category are brieflydescribed and the related literature reviewed. Conclusions are made on future research directions. پرونده مقاله

دسترسی آزاد مقاله

75 - Soft Error Rate Estimation of Logic Circuits Using Recurrent Neural Networks
Rasoul Farjaminezhad saeed safari Amir Masoud Eftekhari Moghadam

Nano-scale technology has brought more susceptibility to soft errors for the generation of complicated and state of the art devices. Soft errors are the impacts of radiation of the particles like a neutron, alpha, and ions on the surface of the circuits. To tackle the s چکیده کامل

Nano-scale technology has brought more susceptibility to soft errors for the generation of complicated and state of the art devices. Soft errors are the impacts of radiation of the particles like a neutron, alpha, and ions on the surface of the circuits. To tackle the system malfunctions and provide a reliable device, studying the transient fault effects on the logic circuits can be a more significant issue. This paper presents a new approach based on Recurrent Neural Networks (RNNs) to estimate ICs' Soft Errors Rate (SER). As RNN can be deployed for signal processing and time series, we applied it to investigate transient fault effects while propagating through the combinational and sequential parts of a test chip and compute its SER by simulating and analyzing the circuit outputs. In this paper, the results of utilizing the proposed RNN model to estimate the SER of the ISCAS-85 benchmark circuits have been provided. پرونده مقاله

دسترسی آزاد مقاله

76 - Protein Secondary Structure Prediction: a Literature Review with Focus on Machine Learning Approaches
Leila Khalatbari Mohammad Reza Kangavari

DNA sequence, containing all genetic traits is not a functional entity. Instead, it transfers to protein sequences by transcription and translation processes. This protein sequence takes on a 3D structure later, which is a functional unit and can manage biological inter چکیده کامل

DNA sequence, containing all genetic traits is not a functional entity. Instead, it transfers to protein sequences by transcription and translation processes. This protein sequence takes on a 3D structure later, which is a functional unit and can manage biological interactions using the information encoded in DNA. Every life process one can figure is undertaken by proteins with specific functional responsibilities. Consequently protein function prediction is a momentous task in bioinformatics. Protein function can be elucidated from its structure. Protein secondary structure prediction has attracted great attention since it’s the input feature of many bioinformatics problems. The variety of proposed computational methods for protein secondary structure prediction is very extensive. Nevertheless they couldn’t achieve much due to the existing obstacles such as abstruse protein data patterns, noise, class imbalance and high dimensionality of encoding schemes of amino acid sequences. With the advent of machine learning and later ensemble approaches, a considerable elevation was made. In order to reach a meaningful conclusion about the strength, bottlenecks and limitations of what have been done in this research area, a review of the literature will be of great benefit. Such review is advantageous not only to wrap what has been accomplished by far but also to cast light for the future decisions about the potential and unseen solutions to this area. Consequently in this paper it’s aimed to review different computational approaches for protein secondary structure prediction with the focus on machine learning methods, addressing different parts of the problem’s area. پرونده مقاله

دسترسی آزاد مقاله

77 - Using neural network to estimate weibull parameters
Babak Abbasi behrouz Afshar nadjafi

As is well known, estimating parameters of the tree-parameter weibull distribution is a complicated task and sometimes contentious area with several methods vying for recognition. Weibull distribution involves in reliability studies frequently and has many applications چکیده کامل

As is well known, estimating parameters of the tree-parameter weibull distribution is a complicated task and sometimes contentious area with several methods vying for recognition. Weibull distribution involves in reliability studies frequently and has many applications in engineering. However estimating the parameters of Weibull distribution is crucial in classical ways. This distribution has three parameters, but for simplicity, a parameter is ridded off and as a result, the estimation of the others will be easily done. When the three-parameter distribution is of interest, the classical estimation procedures such as maximum likelihood estimation (MLE) will be quite boring. In this paper to take advantage of application of artificial neural networks (ANN) to statistics, we propose using a simple neural network to estimate three parameters of Weibull distribution simultaneously. Trained neural network similar to moment method estimates Weibull parameters based on mean, standard deviation, median, skewness and kurtosis of the sample accurately. To assess the power of the proposed method we carry out simulation study and compare the results of the proposed method with real values of the parameters. پرونده مقاله

دسترسی آزاد مقاله

78 - Forecasting the Cost of Water Using a Neural Network Method in theMunicipality of Isfahan
Amir Mohammadzadeh Nasrin Mahdipour Arash Mohammadzadeh

Decision making on budgeting is one of the most important issues for executing managers. Budgeting is a major tool for planning andcontrol of projects. In public and non-profit organizations and institutions, estimating the costs and revenues plays an important role inr چکیده کامل

Decision making on budgeting is one of the most important issues for executing managers. Budgeting is a major tool for planning andcontrol of projects. In public and non-profit organizations and institutions, estimating the costs and revenues plays an important role inreceiving credit and budgeting. In this regard, in the present paper the case of Isfahan municipality is considered. One of the mainexpenditures of the 14 districts of Isfahan is the costs related to water. Predicting the total cost of water helps the municipality of Isfahan tooptimize the water use in its 14 urban zones. Thus, in this study the total cost of water in the districts of Isfahan is estimated usingregression analysis and neural network models. Then the results of the methods are compared with each other to minimize the deviationsfrom the approved budget. Finally, the neural network method is selected as the main simulation method for forecasting the total cost ofwater in the districts of Isfahan. پرونده مقاله

دسترسی آزاد مقاله

79 - Time Prediction Using a Neuro-Fuzzy Model for Projects in the Construction Industry
Behnam Vahdani Seyed Meysam Mousavi Morteza Mousakhani Hassan Hashemi

10.22094/joie.2016.231

This paper presents a prediction model based on a new neuro-fuzzy algorithm for estimating time in construction projects. The output of the proposed prediction model, which is employed based on a locally linear neuro-fuzzy (LLNF) model, is useful for assessing a project چکیده کامل

This paper presents a prediction model based on a new neuro-fuzzy algorithm for estimating time in construction projects. The output of the proposed prediction model, which is employed based on a locally linear neuro-fuzzy (LLNF) model, is useful for assessing a project status at different time horizons. Being trained by a locally linear model tree (LOLIMOT) learning algorithm, the model is intended for use by members of the project team in performing the time control of projects in the construction industry. The present paper addresses the effects of different factors on the project time and schedule by using both fuzzy sets theory (FST) and artificial neural networks (ANNs) in a construction project in Iran. The construction project is investigated to demonstrate the use and capabilities of the proposed model to see how it allows users and experts to actively interact and, consequently, make use of their own experience and knowledge in the estimation process. The proposed model is also compared to the well-known intelligent model (i.e., BPNN) to illustrate its performance in the construction industry. پرونده مقاله

دسترسی آزاد مقاله

80 - Comparison Study on Neural Networks in DamageDetection of Steel Truss Bridge
Hassan Aghabarati Mohsen Tabrizizadeh

This paper presents the application of three main Artificial Neural Networks (ANNs) in damage detection of steel bridges. This method has the ability to indicate damage in structural elements due to a localized change of stiffness called damage zone. The changes in stru چکیده کامل

This paper presents the application of three main Artificial Neural Networks (ANNs) in damage detection of steel bridges. This method has the ability to indicate damage in structural elements due to a localized change of stiffness called damage zone. The changes in structural response is used to identify the states of structural damage. To circumvent the difficulty arising from the non-linear nature of the inverse problem, three neural networks, Multi-Layer Perceptron Neural Network (MLPNN), Radial Basis Function Neural Network (RBFNN) and General Regression Neural Network (GRNN) are employed to simulate damage states of steel bridges. It was observed that the performance of all three networks is well and they have good agreement with actual results performed with Finite Element analysis. The efficiency of GRNN in structural identification is so good, although RBFNN has results close to GRNN and MLPNN results are satisfactory. All networks have good results while there is a little damage in structural members. Generally, results would have more error when damages in structural members extend. The engineering importance of the whole exercise can be appreciated once we realize that the measured input at only a few locations in the structure is needed in the identification process using neural networks. پرونده مقاله

دسترسی آزاد مقاله

81 - Prediction of mechanical and fresh properties of self-consolidating concrete (SCC) using multi-objective genetic algorithm (MOGA)
Reza Jelokhani Niaraki Reza Farokhzad

Compressive strength and concrete slump are the most important required parameters for design, depending on many factors such as concrete mix design, concrete material, experimental cases, tester skills, experimental errors etc. Since many of these factors are unknown, چکیده کامل

Compressive strength and concrete slump are the most important required parameters for design, depending on many factors such as concrete mix design, concrete material, experimental cases, tester skills, experimental errors etc. Since many of these factors are unknown, and no specific and relatively accurate formulation can be found for strength and slump, therefore, the concrete properties can be improved to an acceptable level using the neural networks and genetic algorithm. In this research, having results of experimental specimens including soil classification parameters, water to cement ratio, cement content, super-lubricant content, compressive strength, and slump flow, using the MATLAB software, the perceptron neural network training, general regression neural network, and radial base function neural network are considered, and then, with regard to coefficient of determination (R2) criteria and mean absolute error, the above network پرونده مقاله

دسترسی آزاد مقاله

82 - Determination of Lateral load Capacity of Steel Shear Walls Based on Artificial Neural Network Models
Meisam Bayat Ali Delnavaz

In this paper, load-carrying capacity in steel shear wall (SSW) was estimated using artificial neural networks (ANNs). The SSW parameters including load-carrying capacity (as ANN’s target), plate thickness, thickness of stiffener, diagonal stiffener distance, hori چکیده کامل

In this paper, load-carrying capacity in steel shear wall (SSW) was estimated using artificial neural networks (ANNs). The SSW parameters including load-carrying capacity (as ANN’s target), plate thickness, thickness of stiffener, diagonal stiffener distance, horizontal stiffener distance and gravity load (as ANN’s inputs) are used in this paper to train the ANNs. 144 samples data of each of this parameters was calculated using SSW simulation in abaqus. Load-carrying capacity of SSW was estimated using radial basic function (RBF) and multi-layer perceptron (MLP) neural networks. Spread parameter in RBF and number of hidden layer, number of neurons in this layers and activation function in MLP optimized using a trial and error method. The results showed that the load-carrying capacity of SSW could estimate using RBF and ANN by 84 and 96 percent of precision respectively. پرونده مقاله

دسترسی آزاد مقاله

83 - کاربرد شبکه‌های عصبی مصنوعی در بررسی ارتباط بین سرمایه‌اجتماعی و رضایت مشتری
هوشنگ تقی زاده محمدصادق زینلی کرمانی

هدف از این تحقیق توسعه یک مدل از شبکه‌های عصبی مصنوعی برای شناسایی ارتباط بین سرمایه اجتماعی و رضایت مشتری است. بدین منظور، ضمن مرور ادبیات و مفاهیم موجود در زمینه سرمایه‌اجتماعی و رضایت مشتری، عوامل مؤثر مورد مطالعه قرار گرفت. تحقیق حاضر بر پایه دو مجموعه داده متفاوت ا چکیده کامل

هدف از این تحقیق توسعه یک مدل از شبکه‌های عصبی مصنوعی برای شناسایی ارتباط بین سرمایه اجتماعی و رضایت مشتری است. بدین منظور، ضمن مرور ادبیات و مفاهیم موجود در زمینه سرمایه‌اجتماعی و رضایت مشتری، عوامل مؤثر مورد مطالعه قرار گرفت. تحقیق حاضر بر پایه دو مجموعه داده متفاوت استوار است. اولین مجموعه داده‌ها از پاسخگویی 100 مدیر از شرکت‌هایی که در زمینه قطعه‌سازی خودرو در آذربایجان شرقی فعالیت می‌کنند، جمع‌آوری شده است. حجم این نمونه با استفاده از جدول بارتلت بدست آمده است. برای گردآوری داده‌های سرمایه‌اجتماعی و ابعادش از پرسشنامه استفاده شده است. دومین مجموعه داده&zwj;ا از پاسخ مشتریان به پرسشنامه‌هایی که با طیف 5 نقطه‌ای لیکرت(کاملاً موافق،...، کاملاً مخالف) طراحی شده‌اند، جمع‌آوری گردید. روش تحقیق از نوع همبستگی است. از ضریب همبستگی اسپیرمن و شبکه‌های عصبی مصنوعی برای تجزیه و تحلیل داده‌ها استفاده شده است. شبکه‌های عصبی چند لایه، با تابع آموزشی تانژانت هایپربولیک، آموزش داده شده با الگوریتم پیش‌خور برای ساخت مدل شناسایی بکار گرفته شده‌اند. آزمون سؤالات نشان داد که رابطه معنی‌داری بین سرمایه ‌اجتماعی و رضایت مشتری وجود دارد. پرونده مقاله

دسترسی آزاد مقاله

84 - کاربرد شبکه های عصبی مصنوعی برای شناسایی مشتریان راضی خدمات پس از فروش خودرو
علیرضا فضل زاده محمدصادق زینلی کرمانی

هدف این تحقیق توسعه یک مدل از شبکه های عصبی برای شناسایی مشتریان راضی برای بازاریابی ارایه سرویس های تعمیراتی خودروها بود. داده ها از بررسی ده سرویس دهنده خدمات خودرویی در ایران بدست آمدند. شبکه های عصبی چند لایه با تابع آموزش تانژانت هایپربولیک با الگوریتم آموزشی پیش خ چکیده کامل

هدف این تحقیق توسعه یک مدل از شبکه های عصبی برای شناسایی مشتریان راضی برای بازاریابی ارایه سرویس های تعمیراتی خودروها بود. داده ها از بررسی ده سرویس دهنده خدمات خودرویی در ایران بدست آمدند. شبکه های عصبی چند لایه با تابع آموزش تانژانت هایپربولیک با الگوریتم آموزشی پیش خور برای ساخت مدل شناسایی به کار گرفته شد. نتایج مشخص ساخت که دقت مدل شناسایی آزمایش روی مدل بزرگتر از آن است که اتفاقی به نظر برسد. در خلال یک سری وزن های خاص موجود، اعتبار کلی هر یک از متغیرهای مستقل تولید شده کاملاً روشن می شود. این تحقیق تایید کرد که مدل شبکه عصبی برای شناخت الگوهای موجود داده های مشتری قابل استفاده است. مزایای استفاده از نقاط قوت مدل نشان داده شده است. مؤلفان معتقدند که مدل مفید است و به عنوان ابزار تحلیلی برای بازاریاب های خدمات تعمیراتی خودروها برای طراحی استراتژی بازار، مناسب است. پرونده مقاله

دسترسی آزاد مقاله

85 - ‎Role of Fuzzy Sets on Artificial Intelligence Methods‎: ‎A literature Review
Cengiz Kahraman Sezi Onar Basar Oztaysi Selcuk Cebi

10.30495/tfss.2023.1976303.1060

Machines can model and improve the human minds capabilities through artificial intelligence. One of the most popular tools of artificial intelligence is fuzzy sets, which can capture and model the vagueness and impreciseness in human thoughts. This paper, first of all, چکیده کامل

Machines can model and improve the human minds capabilities through artificial intelligence. One of the most popular tools of artificial intelligence is fuzzy sets, which can capture and model the vagueness and impreciseness in human thoughts. This paper, first of all, introduces the recent extensions of ordinary fuzzy sets and then presents a literature review on the integration of fuzzy sets with other artificial intelligence techniques such as automated reasoning, autonomous agents, multi-agent systems, machine learning, case-based reasoning, deep learning, information reasoning, information representation, natural language processing, symbolic reasoning, and neural networks. Graphical illustrations of literature review results are presented for each of these integrated artificial intelligence techniques. The results of a patent search on fuzzy artificial intelligence are also given. پرونده مقاله

دسترسی آزاد مقاله

86 - Entrepreneurship policy and innovative indicators of industrial companies: Evaluation by MCDM and ANN Methods
mehdi karimi farshid namamian farhad vafaei Alireza Moradi

The present paper presented a methodology for prioritizing the innovative and entrepreneurial indicators using Multi Criteria Decision Making (MCDM) and Artificial Neural Networks (ANNs), taking into account three individual, organizational and cultural dimensions simul چکیده کامل

The present paper presented a methodology for prioritizing the innovative and entrepreneurial indicators using Multi Criteria Decision Making (MCDM) and Artificial Neural Networks (ANNs), taking into account three individual, organizational and cultural dimensions simultaneously in decision making procedure. This methodology has two main advantages: first, the speed of operation in the accounting process and its simplification, and the other is the high precision with the elimination of errors in the calculations. Hence, a combination of findings were considered and identified in the Meta synthesis framework in the form of group categorization of indicators. Then, the entrepreneurship and innovation experts' opinion were gathered based on Meta-analysis. Next, the indicators were prioritized using Analytical Network Process (ANP) and the Decision-Making Trial and Assessment Laboratory (DEMATEL). The results obtained from Meta-analysis and multi criteria decision making methods were used as input and output data, respectively, to create an Artificial Neural Network model. Finally, the Artificial Neural Network model was designed in the form of Multi-layer Perceptron (MLP) Neural Network. پرونده مقاله

دسترسی آزاد مقاله

87 - 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

88 - ارزیابی دقت شبکه عصبی مصنوعی بازگشتی نارکس در پیش بینی بارش روزانه در استان کرمان
کمال امیدوار معصومه نبوی زاده میثم ثمره قاسم

بارش یکی از پارامترهای مهم اقلیمشناسی و سایر علوم جوّی که از اهمیّ تّ والای یّ در حیاتبشر برخوردار است. در سالهای اخیر، سیل و خشکسالی خسار های فراوانی را در بس یّاریاز مناطق جهان در پی داشته است. پیش بینی بارش در مدیریت و هشدار این معضلا نق شّمهمی بر عهده دارد. امروزه ش چکیده کامل

بارش یکی از پارامترهای مهم اقلیمشناسی و سایر علوم جوّی که از اهمیّ تّ والای یّ در حیاتبشر برخوردار است. در سالهای اخیر، سیل و خشکسالی خسار های فراوانی را در بس یّاریاز مناطق جهان در پی داشته است. پیش بینی بارش در مدیریت و هشدار این معضلا نق شّمهمی بر عهده دارد. امروزه شبکههای عصبی مصنوعی از جمله روشهای نوین م یّباش دّ ک هّبرای تخمین و پیشبینی پارامترها با استفاده از ارتباط ذاتی بین دادهه اّ توس عّه یافت هّ اس تّ.هدف این پژوهش، ارزیابی دقت شبکه عصبی بازگشتی نارکس در پیش بین یّ ب اّرش روزان هّمیباشد که با استفاده از آمار روزانۀ هواشناسی ایستگاههای کرمان، بافت و میانده جیرفت، طی7393 (، میباشد به منظور مقایسه به آموزش شبکههای - دوره مشترک آماری 11 ساله ) 1171عصبی مصنوعی با ساختار پرسپترون چند لایه و شبکه عصبی بازگشتی نارکس پرداخت هّ ش دّ.عوامل اقلیمی مؤثر در بارش به عنوان ورودیهای شبکههای عصبی مصنوعی و بارش روزانه بهو ض رّی )MSE( عنوان خروجی شبکه در نظر گرفته شد. آم اّره اّی می اّنگین مرب ه اّ خط اّبه منظور ارزیابی روشهای بکار برده شده، استفاده گردید. نتایج نشان داد ک هّ ،)R( همبستگیمدل ترکیبی 41 ، بر پایه قانون آموزش لونبرگ م اّرکوا و ت اّب مک رّک س یّگموبید ب اّ هم هّپارامترهای هواشناسی در هر سه ایس تّگاه از دقّ تّ قاب لّ قب وّلی برخ وّردار اس تّ. همچن یّنمشخص شد که مدلهای مطلوب شبکه عصبی مصنوعی در یالت تغییرا افزایشی نسبت ب هّرطوبت نسبی، دارا ی بیشترین یساسیّت هستند پرونده مقاله

دسترسی آزاد مقاله

89 - بررسی برخی ویژگی‌های بوم شناختی گیاه دارویی (Artemisia sieberi Besser.) و تخمین تراکم آن به روش شبکه‌های عصبی در بخش روداب سبزوار
علیرضا قاسمی آریان سیدفاضل فاضلی کاخکی حسین روحانی

چکیده درمنه دشتی (Artemisia sieberi Besser) از تیره Asteraceae گونه ای دارویی در فلور ایران بوده که اسانس آن در درمان بیماری های انگلی و عفونی کاربرد دارد. طی سالیان اخیر، بخش هایی از رویشگاه های درمنه، توسط عوامل انسانی تخریب شده است. این تحقیق با هدف بررسی نیازهای آت چکیده کامل

چکیده درمنه دشتی (Artemisia sieberi Besser) از تیره Asteraceae گونه ای دارویی در فلور ایران بوده که اسانس آن در درمان بیماری های انگلی و عفونی کاربرد دارد. طی سالیان اخیر، بخش هایی از رویشگاه های درمنه، توسط عوامل انسانی تخریب شده است. این تحقیق با هدف بررسی نیازهای آت اکولوژی و برآورد تراکم درمنه در سال 1396 در منطقه روداب سبزوار انجام گرفت. ابتدا محدوده درمنه زار بر روی عکس های ماهواره ای، تعیین و اطلاعات بوم شناختی آن، شامل (توپوگرافی، اقلیم، خاک، زمین شناسی و فنولوژی) جمع آوری گردید. در مرحله ی بعد، تراکم درمنه در مراتع تخریب شده با استفاده از مدل شبکه عصبی مورد آزمون قرار گرفت. بدین منظور 70 نمونه تصادفی خاک متشکل از متغیرهای مستقل (بافت، EC،SAR ، pH،N ،P ،K ، کاتیون ها، ماده آلی و درصد آهک) و نیز تراکم درمنه (متغیر وابسته) برای ساخت مدل استفاده گردید. نتایج نشان دادند که درمنه دشتی، ارتفاعات 1400 تا 1800 متر، شیب های صفر تا 12%، بارندگی 160 تا 200 میلی‌متر و خاک های لومی تا لومی ماسه ای آهک دار با شوری کم را ترجیح می&lrm;&lrm;دهد. فعّالیت رویشی درمنه از اواخر اسفند شروع شده و تا اوایل آذر بذرها می رسند. همچنین نتایج پیش بینی مدل نشان داد، کمترین تراکم درمنه با 11/0 در مترمربع مربوط به اراضی می باشد که 40 سال تحت تنش شخم قرار داشته اند و بیشترین تراکم درمنه با 4/0 در مترمربع مربوط به اراضی است که دو سال از تخریب آنها می گذرد.مدل رگرسیون (R2) نشان داد که متغیرهای مستقل، 95% در تعیین تراکم درمنه نفش دارند. پرونده مقاله

دسترسی آزاد مقاله

90 - Intelligent and Optimal Control of Air Conditioning ‎Systems by Achieving Comfort and Minimize Energy
Yazdan Daneshvar Majid Sabzehparvar Seyed Amir Hossein Hashemi

In this study, artificial neural networks, artificial neural network combination with genetic algorithm and neural network combination with Kalman filter were used to optimally model and control a real air conditioning system. Using the above methods, the system is firs چکیده کامل

In this study, artificial neural networks, artificial neural network combination with genetic algorithm and neural network combination with Kalman filter were used to optimally model and control a real air conditioning system. Using the above methods, the system is first trained and after verifying the modeling accuracy, the capability of this modeling to predict the future conditions of the system is investigated. In addition to the subsystems investigated in both heating and cooling phases by mass and energy equations in Simulink simulated by Matlab software, the results of this section are finally compared with the optimal modeling results. The most important advantage of artificial neural network modeling over mass and energy equation modeling approaches is that it captures all the uncertainties and nonlinear properties of the air conditioning system due to the use of real data for modeling. It takes. Therefore, this method can optimize energy consumption in air conditioners by predicting the future conditions of the system and by precisely adjusting the time of turning on and off the main energy consuming equipment. The most important achievement of this research is more accurate and realistic modeling of the nonlinear air conditioning system.Comparing the methods used in the research for simulation methods using mass and energy equations, modeling using Bayesian trained neural network, artificial neural network modeling using MLP, modeling using neural network and genetic algorithm, modeling Using neural network and Kalman filter, the square error is equal to 0.006, 0.18, 0.056, 0.1456 and more than 0.5, respectively. پرونده مقاله

دسترسی آزاد مقاله

91 - 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 موسوی

یکی 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 کامل

یکی 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

92 - The Optimization of the Effective Parameters of the Die in Parallel Tubular Channel Angular Pressing Process by Using Neural Network and Genetic Algorithm Methods
Amin Armanian Hassan Khademi Zadeh

One of reasons that researchers in recent years have tried to produce ultrafine grained materials is producing lightweight components with high strength and reliability. There are disparate methods for production of ultra-fine grain materials,one of which is severe plas چکیده کامل

One of reasons that researchers in recent years have tried to produce ultrafine grained materials is producing lightweight components with high strength and reliability. There are disparate methods for production of ultra-fine grain materials,one of which is severe plastic deformation method. Severe plastic deformation method comprises different processes, one of which is Parallel tubular channel angular pressing. The aim of this study is optimizing parameters of the noticed process die just by utilizing neural network and genetic algorithm methods that at first for this purpose, by using ABAQUS finite element software, the numerical analysis of the die parameters is performed and the impact of each die parameter on the force of the process and the equivalent strain is examined. Finally, for gaining optimal parameters, MATLAB and neural network optimization methods and genetic algorithm are used. The use of neural network and genetic algorithm illustrated that to achieve the ideal possible situation in order to achieve a flawless super-fine tube, it is imperative to use the friction coefficient of 0.05, tube length of 40 mm, channel angle of 140 degrees and diameter increase difference of 1.5 mm. With such values, strain fluctuations reach 0.23, lowest value, and also the force reaches 0.49 KN and the amount of applied strain reaches its highest value to 2.37. پرونده مقاله

دسترسی آزاد مقاله

93 - Using Artificial Neural Networks to Predict Rolling Force and Real Exit Thickness of Steel Strips
Mohammad Heydari Vini1

There is a complicated relation between cold flat rolling parameters such as effective input parameters of cold rolling, output cold rolling force and exit thickness of strips. In many mathematical models, the effect of some cold rolling parameters has been ignored and چکیده کامل

There is a complicated relation between cold flat rolling parameters such as effective input parameters of cold rolling, output cold rolling force and exit thickness of strips. In many mathematical models, the effect of some cold rolling parameters has been ignored and the outputs have not a desirable accuracy. In the other hand, there is a special relation among input thickness of strips, the width of the strips, cold rolling speed, mandrill tensions, required exit thickness of strips with rolling force and the real exit thickness of the rolled strip. First of all in this study, the effective parameters of cold rolling process modeled using an artificial neural network according to the optimum network achieved by using a written program in MATLAB. It has been shown that the prediction of rolling stand parameters with different properties and new dimensions attained from prior rolled strips by an artificial neural network is applicable. پرونده مقاله

دسترسی آزاد مقاله

94 - کنترل سطح دینامیکی با استفاده از شبکه‌های عصبی تطبیقی برای سیستم-های تصادفی غیرخطی به فرم فیدبک-اکید دارای پسماند پرنتل-ایشلینسکی در عملگر
محمد مهدی آقاجری مهناز هاشمی

به منظور پایدارسازی سیستم های تصادفی غیرخطی فیدبک-اکید دارای غیرخطی گونگی پسماند پرنتل-ایشلینسکی در عملگر، با بکارگیری روش طراحی کنترل سطح دینامیکی تطبیقی که از شبکه های گوسی بهره برده اند، یک روش طراحی کنترل کننده پیشنهاد شده است. این روش قابل اعمال به سیستم های غیرخط چکیده کامل

به منظور پایدارسازی سیستم های تصادفی غیرخطی فیدبک-اکید دارای غیرخطی گونگی پسماند پرنتل-ایشلینسکی در عملگر، با بکارگیری روش طراحی کنترل سطح دینامیکی تطبیقی که از شبکه های گوسی بهره برده اند، یک روش طراحی کنترل کننده پیشنهاد شده است. این روش قابل اعمال به سیستم های غیرخطی تصادفی با هر نوع دینامیک نامعلوم است. شبکه های گوسی براساس قابلیت تقریب زنی عمومی، امکان تقریب زنی دینامیک های نامعلوم سیستم های تصادفی غیرخطی را فراهم می آورند. با استفاده از الگوریتم پارامترهای-یادگیری-کمینه، فرایند تقریب زنی دینامیک های نامعلوم سیستم با کمترین پیچیدگی و حجم محاسبات صورت می پذیرد. پایداری سیستم کنترل پیشنهاد شده، به صورت تحلیلی اثبات شده و نتایج آن نیز به وسیله یک مثال شبیه سازی ردگیری، به نمایش گذاشته شده است. نشان داده شده است که روش طراحیپیشنهاد شده برای سیستم کنترل تطبیقی، کران داری در احتمال و در نتیجه آن کران داری نهایی یکنواخت را برای تمام سیگنال های حلقه-بسته تضمین می کند. همچنین اثبات شده است که می توان با استفاده از این روش خطای ردگیری سیستم را تا اندازه دلخواه کوچک گرداند پرونده مقاله

دسترسی آزاد مقاله

95 - بازشناسی احساسات از روی گفتار با استفاده از ترکیب شبکه‌های عصبی ترنسفورمر و کانولوشنی
یوسف پورابراهیم فربد رزازی حسین صامتی

بازشناسی احساسات از روی گفتار با توجه به کاربردهای متنوع آن امروزه مورد توجه بسیاری از محققان قرار گرفته است. با پیشرفت روش‌های آموزش شبکه‌های عصبی عمیق وگسترش استفاده از آن در کاربردهای مختلف، در این مقاله کاربرد شبکه‌های کانولوشنی و ترنسفورمر در یک ترکیب جدید در بازشن چکیده کامل

بازشناسی احساسات از روی گفتار با توجه به کاربردهای متنوع آن امروزه مورد توجه بسیاری از محققان قرار گرفته است. با پیشرفت روش‌های آموزش شبکه‌های عصبی عمیق وگسترش استفاده از آن در کاربردهای مختلف، در این مقاله کاربرد شبکه‌های کانولوشنی و ترنسفورمر در یک ترکیب جدید در بازشناسی احساسات گفتاری مورد بررسی قرار گرفته که از لحاظ پیاده‌سازی نسبت به روش‌های موجود ساده‌تر بوده و عملکرد مطلوبی نیز دارد. برای این منظور شبکه‌های عصبی کانولوشنی و ترنسفورمر پایه معرفی شده و سپس مبتنی بر آنها یک مدل جدید حاصل از ترکیب شبکه‌های کانولوشنی و ترنسفورمر ارایه شده که در آن خروجی مدل کانولوشنی پایه ورودی مدل ترنسفورمر پایه است. نتایج حاصل نشان می‌دهد که استفاده از شبکه‌های عصبی ترنسفورمر در بازشناسی بعضی از حالت‌های احساسی عملکرد بهتری نسبت به روش کانولوشنی دارد. همچنین در این مقاله نشان داده شده ‌که استفاده از شبکه‌های عصبی ساده به صورت ترکیبی عملکرد بهتری در بازشناسی احساسات از روی گفتار می‌تواند داشته باشد. در این رابطه بازشناسی احساسات گفتاری با استفاده از ترکیب شبکه‌های عصبی کانولوشنی و ترنسفورمر با نام کانولوشنال-ترنسفورمر (CTF) برای دادگان راودس دقتی برابر 94/80 درصد به دست آورد؛ در حالی که یک شبکه عصبی کانولوشنی ساده دقتی در حدود 7/72 درصد به دست آورد. همچنین ترکیب شبکه‌های عصبی ساده علاوه بر اینکه می‌تواند دقت بازشناسی را افزایش دهد، می‌تواند زمان آموزش و نیاز به نمونه‌های آموزشی برچسب دار را نیز کاهش دهد. پرونده مقاله

دسترسی آزاد مقاله

96 - تشخیص هوشمند سرطان سینه در تصاویر ترموگرافی با استفاده از ماشین یادگیری بیشینه و پردازش تصویر
حمیدرضا خداداد همایون مهدوی نسب

از آنجا که سرطان پستان به عنوان یکی از دلایل اصلی مرگ و میر زنان در سراسر جهان شناخته شده، طبیعی است که ارائه و توسعه روش‌هایی برای تشخیص زود هنگام آن، به ویژه بدون استفاده از ابزارهای تصویربرداری تهاجمی و نیز با سرعت پاسخ مناسب، از ارزش بالایی برخوردار باشد. تصویربردار چکیده کامل

از آنجا که سرطان پستان به عنوان یکی از دلایل اصلی مرگ و میر زنان در سراسر جهان شناخته شده، طبیعی است که ارائه و توسعه روش‌هایی برای تشخیص زود هنگام آن، به ویژه بدون استفاده از ابزارهای تصویربرداری تهاجمی و نیز با سرعت پاسخ مناسب، از ارزش بالایی برخوردار باشد. تصویربرداری ترموگرافی، در صورتی که با روشی سریع و قابل اعتماد برای طبقه‌بندی نتایج تصویربرداری همراه گردد می‌تواند گزینه‌ای مناسب در جهت تحقق این هدف باشد. در این پژوهش با استفاده از ترموگرافی پستان و بهره‌گیری از نوعی از شبکه‌های عصبی متأخر به نام ماشین یادگیری بیشینه به عنوان یک طبقه‌بند هوشمند و کارآمد به مسئله تشخیص سرطان پستان اشاره شده است. همچنین، یک توسعه این طبقه‌بند تحت عنوان ماشین یادگیری بیشینه چندلایه مبتنی بر هسته را نیز مورد بررسی قرار گرفته است. در روش پیشنهادی، ابتدا با استفاده از یک روش تقسیم بندی خودکار تصاویر پایگاه داده به پستان های چپ و راست قطعه‌بندی و تفکیک شده و سپس با استخراج ویژگی های بافت محلی، رنگ و شکل و ارائه این ویژگی ها به صورت مجزا و یا ترکیبی به شبکه، عملکرد و کارایی سیستم مورد مطالعه قرار گرفته است. با آزمایش مدل های استخراج ویژگی بافت محلی گوناگون، مانند الگوی دودویی محلی (LBP) و الگوی سه تایی محلی (LTP) و نیز ویژگی‌های رنگ RGB و YCbCr، برترین نتیجه این تحقیق از تصاویر ترموگرافی پستان در پایگاه داده برای تحقیقات ماما با تصویر مادون قرمز (DMR-IR) برای یک ویژگی ترکیبی جدید پیشنهادی LBP-Mix و ویژگی بافت LTP حاصل از استخراج بافت محلی در شعاع‌های مختلف، با صحت بیش از 96 درصد و دقت 100 درصد به دست آمده است. پرونده مقاله

دسترسی آزاد مقاله

97 - کنترل عصبی- تطبیقی مقاوم روبات اسکارا سه محوره با وجود نامعینی جرمی
منصوره تسلیمی عباس چترایی مجتبی حسینی

در این مقاله هدف طراحی کنترل کننده تطبیقی1- عصبی2 برای یک بازوی مکانیکی SCARA می‌باشد. بازوی مکانیکی مورد نظر یک سیستم غیرخطی می‌باشد که کنترل کننده‌های کلاسیک قادر به کنترل آن نمی‌باشند. ابتدا شرح مختصری از کارهایی که تاکنون بر روی سیستم‌های مشابه انجام شده است ارائه خ چکیده کامل

در این مقاله هدف طراحی کنترل کننده تطبیقی1- عصبی2 برای یک بازوی مکانیکی SCARA می‌باشد. بازوی مکانیکی مورد نظر یک سیستم غیرخطی می‌باشد که کنترل کننده‌های کلاسیک قادر به کنترل آن نمی‌باشند. ابتدا شرح مختصری از کارهایی که تاکنون بر روی سیستم‌های مشابه انجام شده است ارائه خواهد شد و سپس در ادامه با استفاده از روش اولر- لاگرانژ که مبتنی بر انرژی پتانسیل و جنبشی سیستم می‌باشد، معادلات دینامیکی سیستم محاسبه خواهد شد. طراحی کنترل کننده با ارائه‌ی یک تابع لیاپانف3 مناسب بیان خواهد شد که قوانین تطبیقی و پایداری سیستم حلقه بسته را تضمین خواهد کرد. در سیستم حلقه بسته تمامی سیگنالها محدود بوده و سیگنال خطا4 به صورت مجانبی به سمت صفر میل می‌کند. برای اثبات کارآمدی سیستم کنترل کننده طراحی شده بر روی یک روبات SCARA سه لینکی پیاده سازی خواهد شد که نتایج به دست آمده کارایی کنترل کننده را تضمین می‌کند. پرونده مقاله

دسترسی آزاد مقاله

98 - بررسی بارزدایی تطبیقی در سیستم‌های قدرت با استفاده از شبکه‌های عصبی
رحمت اله هوشمند مجید معظمی

یکی از اصول اساسی در سیستم‌های قدرت پایداری ولتاژ و فرکانس می‌باشد. بارزدایی یکی از آخرین اقدامات کنترلی جهت حفظ پایداری سیستم قدرت می‌باشد. از آنجایی که روشهای بارزدایی سنتی تا حدی زمانبر و غیردقیق هستند، در این مقاله یک روش بارزدایی تطبیقی سریع و بهینه به کمک شبکه‌های چکیده کامل

یکی از اصول اساسی در سیستم‌های قدرت پایداری ولتاژ و فرکانس می‌باشد. بارزدایی یکی از آخرین اقدامات کنترلی جهت حفظ پایداری سیستم قدرت می‌باشد. از آنجایی که روشهای بارزدایی سنتی تا حدی زمانبر و غیردقیق هستند، در این مقاله یک روش بارزدایی تطبیقی سریع و بهینه به کمک شبکه‌های عصبی برای حل مشکل مزبور ارائه شده است. کل توان تولیدی و نرخ کاهش فرکانس به عنوان ورودیهای شبکه عصبی انتخاب شده‌اند. این روش بر روی سیستم قدرت نیواینگلند تست شده است. نتایج شبیه‌سازی بیانگر قدرت این روش بارزدایی برای حل مشکلات موجود در روشهای بارزدایی سنتی می‌باشد. پرونده مقاله

دسترسی آزاد مقاله

99 - مدلسازی ستون تقطیر با استفاده از ساختار مدل ARX و شبکه‌های عصبی مصنوعی
رضا پیرمرادی سید محمد کارگر امیر زارع بیدکی

فرآیند تقطیر یک فرآیند صنعتی پیچیده و به شدت غیرخطی می‌باشد. به طور کلی پیدا کردن مدل دقیق تحلیلی از ستونهای تقطیر با خلوص بالا همواره امکان پذیر نمی‌باشد. از طرفی توسعه مدلهای تحلیلی معمولا وقت‌گیر و هزینه‌بر است. برای غلبه بر این مشکلات می‌توان از مدلهای تجربی نظیر شب چکیده کامل

فرآیند تقطیر یک فرآیند صنعتی پیچیده و به شدت غیرخطی می‌باشد. به طور کلی پیدا کردن مدل دقیق تحلیلی از ستونهای تقطیر با خلوص بالا همواره امکان پذیر نمی‌باشد. از طرفی توسعه مدلهای تحلیلی معمولا وقت‌گیر و هزینه‌بر است. برای غلبه بر این مشکلات می‌توان از مدلهای تجربی نظیر شبکه‌های عصبی استفاده کرد. یکی از ایرادات اساسی شبکه‌های عصبی این است که پیش‌بینی‌های آن تنها در محدوده اطلاعات شناسایی معتبر است. مدلسازی ستون تقطیر در مقالات مختلف توسط شبکه‌های بازگشتی انجام شده است. مدلهای بازگشتی برای منظور مدلسازی مناسب می‌باشند ولی پیچیدگی و هزینه محاسباتی آنها بالاست. هدف این مقاله پیشنهاد یک مدل ساده و معتبر برای ستون تقطیر است. مدل پیشنهادی از شبکه مستقیم استفاده می‌کند که در نتیجه پارامترهای کمتری داشته و زمان آموزش آن کمتر است. نتایج شبیه‌سازی نشان می‌دهد که پیش بینی‌های شبکه عصبی در تمام نواحی به خروجی‌های مدل واقعی نزدیکتر بوده و خطا قابل چشم پوشی می‌باشد. این نتیجه بیانگر این است که مدل در تمام نواحی معتبر است. پرونده مقاله

دسترسی آزاد مقاله

100 - A numerical approach for optimal control model of the convex semi-infinite programming
حمید روح پرور

In this paper, convex semi-infinite programmingis converted to an optimal control model of neural networks and the optimal control model issolved by iterative dynamicprogramming method. In final, numerical examples are provided forillustration of the purposed method.

In this paper, convex semi-infinite programmingis converted to an optimal control model of neural networks and the optimal control model issolved by iterative dynamicprogramming method. In final, numerical examples are provided forillustration of the purposed method. پرونده مقاله

دسترسی آزاد مقاله

101 - Prediction of Egg Production Using Artificial Neural Network
S. Ghazanfari K. Nobari M. Tahmoorespur

Artificial neural networks (ANN) have shown to be a powerful tool for system modeling in a wide range of applications. The focus of this study is on neural network applications to data analysis in egg production. An ANN model with two hidden layers, trained with a back چکیده کامل

Artificial neural networks (ANN) have shown to be a powerful tool for system modeling in a wide range of applications. The focus of this study is on neural network applications to data analysis in egg production. An ANN model with two hidden layers, trained with a back propagation algorithm, successfully learned the relationship between the input (age of hen) and output (egg production) variables. High R2 and T for ANN model revealed that ANN is an efficient method of predicting egg production for pullet and hen flocks. We also estimated ANN parameters of a number of eggs on four data sets of individual hens. By increasing the summary intervals to 2 wk, 4 wk and then to 6 wk, ANN power was increased for prediction of egg production. The results suggested that the ANN model could provide an effective means of recognizing the patterns in data and accurately predicting the egg production of laying hens based on investigating their age. پرونده مقاله

دسترسی آزاد مقاله

102 - 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. بابنکو

The 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 کامل

The 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

103 - Applying Adaptive Network-based fuzzy Inference System to Predict Travel Time in Highways for Intelligent Transportation Systems
Rouhollah Maghsoudi Behzad Moshiri

Travel time is a good criterion in analyzing transportation systems. There are two ways to calculate travel time: direct measurement, and prediction. Several classic statistical ways have been used to predict travel time, but when non linear nature is focused, developin چکیده کامل

Travel time is a good criterion in analyzing transportation systems. There are two ways to calculate travel time: direct measurement, and prediction. Several classic statistical ways have been used to predict travel time, but when non linear nature is focused, developing a proper model with multiple linear will be a failure. This means that when data have a nonlinear inherent, using of linear methods such as some statistics methods will not be benefit and will not generate appropriate results. Meanwhile, ANN and ANFIS are nonlinear tools. Intelligent systems approaches such as artificial neural networks (ANN) and recently neuro-fuzzy have successfully appeared in prediction. In most applications of ANN, multilayer perceptron (MLP) is applied which is trained by the algorithm of back propagation error. The main problem of this approach is that it is hard to interpret the knowledge in the trained networks. Applying neuro-fuzzy approach, information saved in trained networks will be defined within a fuzzy data base. The aim of present research is to offer a strong neuro-fuzzy network and apply it to predict travel time and compare its results with methods like ANN and AIMSUN. Our results indicate that means for neuro-fuzzy prediction remarkably decrease the error criteria of predicted travel time. This research proves the possibility of applying Anfis in predicting travel time, and reveals that it can make very successful analysis on traffic data. To study credibility of prediction results, AIMSUN was applied and freeway travel time was studied and calculated by simulation. پرونده مقاله

دسترسی آزاد مقاله

104 - Estimating of Loss Human Life Caused Through Earthquake Employing Neural Network
Leila Amirifar Hajar Shafiee

As a matter of fact, the estimated loss of the human life caused by the earthquake is a crucial issue. This estimate helped to administrators in planning for the preventive measures or the crisis management after the earthquake. In this article, we represented a new mod چکیده کامل

As a matter of fact, the estimated loss of the human life caused by the earthquake is a crucial issue. This estimate helped to administrators in planning for the preventive measures or the crisis management after the earthquake. In this article, we represented a new model for measuring the loss of human life utilizing the self-organizing competitive neural networks. In the latest model, the neural network is initially trained via the given trainings of the parameters of the earthquake depth, magnitude, the maximum of the ground acceleration, speed vibration, duration of the earthquake, the intensity of the earthquake, the mechanism of the earthquake and etc. Then, this procedure used to predict and estimate the loss of human life. In fact, the recent educational model was experimented on the region 3 of Esfahan. Nevertheless, the total results can thoroughly show that Isfahan province can be classified as the third class of vulnerability against the earthquake. پرونده مقاله

دسترسی آزاد مقاله

105 - Multi-layer Perceptron Neural Network Training Based on Improved of Stud GA
Firozeh Razavi Faramarz Zabihi Mirsaeid Hosseini Shirvani

Neural network is one of the most widely used algorithms in the field of machine learning, On the other hand, neural network training is a complicated and important process. Supervised learning needs to be organized to reach the goal as soon as possible.A supervised lea چکیده کامل

Neural network is one of the most widely used algorithms in the field of machine learning, On the other hand, neural network training is a complicated and important process. Supervised learning needs to be organized to reach the goal as soon as possible.A supervised learning algorithm analyzes the training data and produces an inferred function, which can be used for mapping new examples. Hence, in this paper, it is attempted to use improve Stud GA to find optimal weights for multi-layer Perceptron neural network. Stud GA is improved from genetic algorithms that perform information sharing in a particular way. In this study, chaotic system will be used to improve Stud GA. The comparison of proposed method with Imperialist Competitive Algorithm, Quad Countries Algorithm, Stud GA, Cuckoo Optimization Algorithm and Chaotic Cuckoo Optimization Algorithm on tested data set (Wine, Abalone, Iris, WDBC, PIMA and Glass) with determined parameters, as mentioned the proposed method has a better performance. پرونده مقاله

دسترسی آزاد مقاله

106 - Improving Short-Term Wind Power Prediction with Neural Network and ICA Algorithm and Input Feature Selection
Elham Imaie Abdolreza Sheikholeslami Roya Ahmadi Ahangar

According to this fact that wind is now a part of global energy portfolio and due to unreliable and discontinuous production of wind energy; prediction of wind power value is proposed as a main necessity. In recent years, various methods have been proposed for wind powe چکیده کامل

According to this fact that wind is now a part of global energy portfolio and due to unreliable and discontinuous production of wind energy; prediction of wind power value is proposed as a main necessity. In recent years, various methods have been proposed for wind power prediction. In this paper the prediction structure involves feature selection and use of Artificial Neural Network (ANN). In this paper, feature selection tool is applied in filtering of inappropriate and irrelevant inputs of neural network and is performed on the biases of mutual information. After determining appropriate inputs, the wind power value for the next 24-hours is predicted using neural network in which BP algorithm and PSO and ICA evolutionary algorithms are used as training algorithm. With investigation and compare numerical results, better performance of PSO and ICA evolutionary algorithm is deduced with respect to BP algorithm. More accurate survey will result in more proper efficiency of imperialist competitive algorithm (ICA) in comparison to swarm particle algorithm. Thus, in this paper; accuracy of the wind power prediction for the next 24-hours is improved considerably using mutual information and providing an irrelevancy filter for reducing the input dimension by eliminating the irrelevant candidates and more effectively using Imperialist competitive evolutionary algorithm for training the neural network. پرونده مقاله

دسترسی آزاد مقاله

107 - Artificial Neural Networks endowed with External Factors for Forecasting Foreign Exchange Rate
Zabihallah Pargam Yazdan Jamshidi

The successful key of trading in the forex market is the selection of correct exchange in proper time based on an exact prediction of future exchange rate. Foreign exchange rates are affected by many correlated economic, political and even psychological factors. Therefo چکیده کامل

The successful key of trading in the forex market is the selection of correct exchange in proper time based on an exact prediction of future exchange rate. Foreign exchange rates are affected by many correlated economic, political and even psychological factors. Therefore, in order to achieve a profitable trade these factors should be considered. The application of intelligent techniques for forecasting has been proved extremely successful in recent years. Previous studies have mainly focused on the historical prices and the trading volume of one market only. In this paper, we have used Artificial Neural Networks (ANN) to predict the exchange rate with respect to three external factors including gold, petroleum prices and FTSE 100 index. The result of forecasts is compared with the ANNs without external factors. The empirical results demonstrate that the proposed model can be an effective way of forecasting. For the experimental analysis phase, the data of exchange rate of GBP/USD is used. پرونده مقاله

دسترسی آزاد مقاله

108 - A Low Complexity ANFIS Approach for Premature Ventricular Contraction Detection Based on Backward Elimination
Zahra Sadeghi Hamid Jazayeriy Soheil Fateri

Premature ventricular contraction (PVC) is one of the common cardiac arrhythmias. The occurrence of PVC is dangerous in people who have recently undergone heart. A PVC beat can easily be diagnosed by a doctor based on the shape of the electrocardiogram signal. But in au چکیده کامل

Premature ventricular contraction (PVC) is one of the common cardiac arrhythmias. The occurrence of PVC is dangerous in people who have recently undergone heart. A PVC beat can easily be diagnosed by a doctor based on the shape of the electrocardiogram signal. But in automatic detection, extracting several important features from each beat is required. In this paper, a method for automatic detection of PVC using adaptive neuro-fuzzy inference systems (ANFIS) is presented. In the proposed model first feature selection has been done using backward elimination algorithm, and then an ANFIS has been trained with selected attributes. The performance of the proposed method has been compared with two other methods. Simulation results show that the proposed algorithm, in addition to maintaining the classification accuracy compared to existing methods uses fewer features and requires less computing time, which is suitable for implementation on hardware with limited processing capability. پرونده مقاله

دسترسی آزاد مقاله

109 - Identification of Houseplants Using Neuro-vision Based Multi-stage Classification System
Narges Ghanei Ghoushkhaneh Abbas Rohani Mahmood Reza Golzarian Fatemeh Kazemi

In 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 کامل

In 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

110 - Daily Pan Evaporation Estimation Using Artificial Neural Network-based Models
Karimi-Googhari, Sh

Accurate estimation of evaporation is important for design, planning and operation of water systems. In arid zones where water resources are scarce, the estimation of this loss becomes more interesting in the planning and management of irrigation practices. This paper i چکیده کامل

Accurate estimation of evaporation is important for design, planning and operation of water systems. In arid zones where water resources are scarce, the estimation of this loss becomes more interesting in the planning and management of irrigation practices. This paper investigates the ability of artificial neural networks (ANNs) technique to improve the accuracy of daily evaporation estimation. Four different ANNs model comprising various combinations of daily climatic variables, that is, air temperature, daily sunshine hours, wind speed, and relative humidity are developed to evaluate degree of effect of each mentioned variables on evaporation for two stations located in central part if I.R. of Iran. A comparison is made between the estimates provided by the ANNs model and the multiple linear regression models. Various statistic measures are used to evaluate the performance of the models. Based on the comparisons, it was revealed that the ANNs computing technique could be employed successfully in modeling of evaporation process from the available climatic data. The ANN also increased dramatically the accuracy of evaporation estimation compare to the multiple linear regression models. [SH, Karimi-Googhari. Daily Pan Evaporation Estimation Using Artificial Neural Network-based Models. International Journal of Agricultural Science, Research and Technology, 2011; 1(4):159-163]. پرونده مقاله

دسترسی آزاد مقاله

111 - Energy Flows Modeling and Economic Evaluation of Watermelon Production in Fars Province of Iran
Sajad Rostami Maryam Lotfalian Bahram Hosseinzadeh مهدی قاسمی ورنامخستی

This study aimed to evaluate the efficiency of energy consumption and economic analysis of different watermelon cultivation systems in Fars Province of Iran. Watermelon production systems were classified into five systems, namely, custom tillage (group 1), conservation چکیده کامل

This study aimed to evaluate the efficiency of energy consumption and economic analysis of different watermelon cultivation systems in Fars Province of Iran. Watermelon production systems were classified into five systems, namely, custom tillage (group 1), conservation tillage (group 2), traditional planting (group3), semi mechanized planting (group 4), and mechanized planting (group 5). Data were collected from 317 watermelon producers from different parts of the province through face to face interviews. Multi-Layer Perceptron artificial neural networks were used to model the energy flows of watermelon production. The results showed that the greatest energy consumption belonged to mechanized planting system with the value of 81317.72 MJha-1 and with the productivity of 0.61 kgha-1and energy use efficiency of 1.17. Clustering function with three inputs (human resources, machines and diesel fuel) showed that the difference between groups 2 and 4 is more than the other groups. The least energy consumption belonged to the conservative agriculture as78163.86 MJha-1and the energy productivity and energy use efficiency about 0.64 kgha-1 and 1.22, respectively. The results of energy modeling showed that an ANN model with 9-10-1 structure was determined to be optimal for energy flow modeling of this system. Generally, it was concluded that the artificial neural network models can be applicable to prognosticate the energy flows of watermelon production. From an economic point of view, the least net profit belonged to traditional planting with the value of 2618.14$, and the most net return belonged to mechanized planting with the value of 2752.88$/ha. پرونده مقاله

دسترسی آزاد مقاله

112 - Analysis and Modeling of Yield, CO2 Emissions, and Energy for Basil Production in Iran using Artificial Neural Networks
سجاد رستمی سمیه چوبین بهرام حسین‌زاده سامانی زهرا اسمعیلی حماد ذرعی‌فروش

The present study attempts to investigate the potential relationship between input energies, performance production of greenhouse basil, and greenhouse gases emitted from this product. The data were collected from 24 greenhouses using a questionnaire and verbal interact چکیده کامل

The present study attempts to investigate the potential relationship between input energies, performance production of greenhouse basil, and greenhouse gases emitted from this product. The data were collected from 24 greenhouses using a questionnaire and verbal interaction with farmers. Results of the study showed that the total input energy and total output energy for basil production were 119,852.9 MJ/ha and 61,040 MJ/ha, respectively. The highest rate of energy consumption was related to electricity (52,200 MJ/ha), followed by plastic (23,220 MJ/ha) and chemical fertilizers (13,894 MJ/ha). The energy and productivity indices were estimated at 0.45 and 0.21, respectively, which indicated that the efficiency of energy in the agricultural sector was low. In addition, it was found that the pure energy index and total greenhouse gases emitted from basil production were equal to -722,706.9 and 9,595.6 kg (CO2), respectively. The highest emission of greenhouse gases was attributed to electricity (2,216 kg/CO2). Results of modeling proved that artificial neural networks can predict basil performance and CO2 emissions with a high degree of accuracy (R2=0.99 and MSE= 0.00023). پرونده مقاله

دسترسی آزاد مقاله

113 - Application of Artificial Neural Networks (ANN) to Predict Geomechanical Properties of Asmari Limestones
Mahdi Razifard Mashallah Khamechiyan ‪Mohammad Reza Amin‐Naseri

A number of common laboratory rock mechanics tests are carried out in all geotechnical projects such as dams, to determine parameters such as porosity, density, water absorption, sonic velocity, Brazilian tensile strength, uniaxial compressive strength, and triaxial com چکیده کامل

A number of common laboratory rock mechanics tests are carried out in all geotechnical projects such as dams, to determine parameters such as porosity, density, water absorption, sonic velocity, Brazilian tensile strength, uniaxial compressive strength, and triaxial compressive strength. In this paper, data obtained from two dams in Asmari Formation including Khersan 1 and Karun 4 - both located in Chahar-Mahal Va Bakhtiari Province, Iran - have been subjected to a series of statistical analyses. Then, using Multivariate Linear Regression (MLR) and Artificial Neural Networks values of UCS, E, C, and φ were predicted using the input parameters including depth, compression ultrasonic velocity, porosity, density, and Brazilian tensile strength. The designed ANN in this research was a feedforward backpropagation network which is powerful tool to solve prediction problems. Designed network had two hidden layer (hidden layer 1: 18 neurons and hidden layer 2: 20 neurons). Via comparing designed MLR and ANN models, it was revealed that ANNs (R2 UCS= 0.91, R2 = 0.87, R2 =0.78, R2 EC phi = 0.61) are more efficient than MLR models (R2 UCS= 0.69, R = 0.69, R = 0.66, and R2 22 EC phi = 0.50) in predicting strength and shear parameters of the intact rock. Also, to enhance the credibility of this study, some extra tests were carried out to evaluate the efficiency of network designed for prediction of strength parameters. The results obtained from this network were as: R2 UCS= 0.85, R2E = 0.81. پرونده مقاله

دسترسی آزاد مقاله

114 - Construction cost estimation of spherical storage tanks: artificial neural networks and hybrid regression—GA algorithms
Vida Arabzadeh S. T . A. Niaki Vahid Arabzadeh

One of the most important processes in the early stages of construction projects is to estimate the cost involved. This process involves a wide range of uncertainties, which make it a challenging task. Because of unknown issues, using the experience of the experts or lo چکیده کامل

One of the most important processes in the early stages of construction projects is to estimate the cost involved. This process involves a wide range of uncertainties, which make it a challenging task. Because of unknown issues, using the experience of the experts or looking for similar cases are the conventional methods to deal with cost estimation. The current study presents data-driven methods for cost estimation based on the application of artificial neural network (ANN) and regression models. The learning algorithms of the ANN are the Levenberg–Marquardt and the Bayesian regulated. Moreover, regression models are hybridized with a genetic algorithm to obtain better estimates of the coefficients. The methods are applied in a real case, where the input parameters of the models are assigned based on the key issues involved in a spherical tank construction. The results reveal that while a high correlation between the estimated cost and the real cost exists; both ANNs could perform better than the hybridized regression models. In addition, the ANN with the Levenberg–Marquardt learning algorithm (LMNN) obtains a better estimation than the ANN with the Bayesian-regulated learning algorithm (BRNN). The correlation between real data and estimated values is over 90%, while the mean square error is achieved around 0.4. The proposed LMNN model can be effective to reduce uncertainty and complexity in the early stages of the construction project. پرونده مقاله

دسترسی آزاد مقاله

115 - An artificial Neural Network approach to monitor and diagnose multi-attribute quality control processes
S.T.A Niaki

One of the existing problems of multi-attribute process monitoring is the occurrence of high number of false alarms (Type I error). Another problem is an increase in the probability of not detecting defects when the process is monitored by a set of independent uni-attri چکیده کامل

One of the existing problems of multi-attribute process monitoring is the occurrence of high number of false alarms (Type I error). Another problem is an increase in the probability of not detecting defects when the process is monitored by a set of independent uni-attribute control charts. In this paper, we address both of these problems and consider monitoring correlated multi-attributes processes following multi-binomial distri-butions using two artificial neural network based models. In these processes, out-of-control observations are due to assignable causes coming from some shifts on the mean vector of the proportion nonconforming of the attributes. Model one, which is designed for positively correlated attributes, consists of three neural networks. The first network not only detects whether the process is out-of-control, but also determines the direction of shifts in the attribute means. In this situation, the second and the third networks diagnose the process attrib-ute/s that has/have caused the out-of-control signal due to increase or decrease in proportion nonconforming, respectively. Model two is designed for negatively correlated attributes and consists of two neural networks. The first network is designed to detect whether the process is out-of-control and the second one diagnoses the attribute/s that make/s the signal. The results of five simulation studies on the performance of the proposed methodology are encouraging. پرونده مقاله

دسترسی آزاد مقاله

116 - On the use of back propagation and radial basis function neural networks in surface roughness prediction
Angelos P. Markopoulos Sotirios Georgiopoulos Dimitrios E. Manolakos

Various artificial neural networks types are examined and compared for the prediction of surface roughness in manufacturing technology. The aim of the study is to evaluate different kinds of neural networks and observe their performance and applicability on the same pro چکیده کامل

Various artificial neural networks types are examined and compared for the prediction of surface roughness in manufacturing technology. The aim of the study is to evaluate different kinds of neural networks and observe their performance and applicability on the same problem. More specifically, feed-forward artificial neural networks are trained with three different back propagation algorithms, namely the adaptive back propagation algorithm of the steepest descent with the use of momentum term, the back propagation Levenberg–Marquardt algorithm and the back propagation Bayesian algorithm. Moreover, radial basis function neural networks are examined. All the aforementioned algorithms are used for the prediction of surface roughness in milling, trained with the same input parameters and output data so that they can be compared. The advantages and disadvantages, in terms of the quality of the results, computational cost and time are identified. An algorithm for the selection of the spread constant is applied and tests are performed for the determination of the neural network with the best performance. The finally selected neural networks can satisfactorily predict the quality of the manufacturing process performed, through simulation and input–output surfaces for combinations of the input data, which correspond to milling cutting conditions. پرونده مقاله

دسترسی آزاد مقاله

117 - A neuro-data envelopment analysis approach for optimization of uncorrelated multiple response problems with smaller the better type controllable factors
Mahdi Bashiri Amir Farshbaf-Geranmayeh Hamed Mogouie

In this paper, a new method is proposed to optimize a multi-response optimization problem based on the Taguchi method for the processes where controllable factors are the smaller-the-better (STB)-type variables and the analyzer desires to find an optimal solution with s چکیده کامل

In this paper, a new method is proposed to optimize a multi-response optimization problem based on the Taguchi method for the processes where controllable factors are the smaller-the-better (STB)-type variables and the analyzer desires to find an optimal solution with smaller amount of controllable factors. In such processes, the overall output quality of the product should be maximized while the usage of the process inputs, the controllable factors, should be minimized. Since all possible combinations of factors’ levels, are not considered in the Taguchi method, the response values of the possible unpracticed treatments are estimated using the artificial neural network (ANN). The neural network is tuned by the central composite design (CCD) and the genetic algorithm (GA). Then data envelopment analysis (DEA) is applied for determining the efficiency of each treatment. Although the important issue for implementation of DEA is its philosophy, which is maximization of outputs versus minimization of inputs, this important issue has been neglected in previous similar studies in multi-response problems. Finally, the most efficient treatment is determined using the maximin weight model approach. The performance of the proposed method is verified in a plastic molding process. Moreover a sensitivity analysis has been done by an efficiency estimator neural network. The results show efficiency of the proposed approach. پرونده مقاله

دسترسی آزاد مقاله

118 - Forecasting S&P 500 index using artificial neural networks and design of experiments
Seyed Taghi Akhavan Niaki Saeid Hoseinzade

The main objective of this research is to forecast the daily direction of Standard & Poor's 500 (S&P 500) index using an artificial neural network (ANN). In order to select the most influential features (factors) of the proposed ANN that affect the daily direction of S& چکیده کامل

The main objective of this research is to forecast the daily direction of Standard & Poor's 500 (S&P 500) index using an artificial neural network (ANN). In order to select the most influential features (factors) of the proposed ANN that affect the daily direction of S&P 500 (the response), design of experiments are conducted to determine the statistically significant factors among 27 potential financial and economical variables along with a feature defined as the number of nodes of the ANN. The results of employing the proposed methodology show that the ANN that uses the most influential features is able to forecast the daily direction of S&P 500 significantly better than the traditional logit model. Furthermore, experimental results of employing the proposed ANN on the trades in a test period indicate that ANN could significantly improve the trading profit as compared with the buy-and-hold strategy. پرونده مقاله

دسترسی آزاد مقاله

119 - Car paint thickness control using artificial neural network and regression method
J Jassbi M Alborzi F Ghoreshi

Struggling in world's competitive markets, industries are attempting to upgrade their technologies aiming at improving the quality and minimizing the waste and cutting the price. Industry tries to develop their technology in order to improve quality via proactive qualit چکیده کامل

Struggling in world's competitive markets, industries are attempting to upgrade their technologies aiming at improving the quality and minimizing the waste and cutting the price. Industry tries to develop their technology in order to improve quality via proactive quality control. This paper studies the possible paint quality in order to reduce the defects through neural network techniques in auto industry production lines. The inputs as effective factor in paint spray process identified for each thin layer on a plate. In the paint shop, defects generate that correlate with film thickness in paint process. In this work, a sheet of metal in demonstrated 50*20 using as a sample when Saipa Company, Iranian Auto Market Leader, is considered as a case study. In the present paper two models of NN is presented. The first model shows prediction of film thickness by10 input for bell, air layers and 12 inputs variables for dry film thickness or final paint thickness and 6 output points for three layers and second model is predicting of paint appearing uniformity by average and standard deviation of film thickness. Finally the application of Neural Network and statistical method (Regression) in predicting paint thickness and the comparison of the results are presented. پرونده مقاله

دسترسی آزاد مقاله

120 - A hybrid computational intelligence model for foreign exchange rate forecasting
M Khashei F Mokhatab Rafiei M Bijari S.R Hejazi

Computational intelligence approaches have gradually established themselves as a popular tool for forecasting the complicated financial markets. Forecasting accuracy is one of the most important features of forecasting models; hence, never has research directed at impro چکیده کامل

Computational intelligence approaches have gradually established themselves as a popular tool for forecasting the complicated financial markets. Forecasting accuracy is one of the most important features of forecasting models; hence, never has research directed at improving upon the effectiveness of time series models stopped. Nowadays, despite the numerous time series forecasting models proposed in several past decades, it is widely recognized that exchange rates are extremely difficult to forecast. Artificial Neural Networks (ANNs) are one of the most accurate and widely used forecasting models that have been successfully applied for exchange rate forecasting. In this paper, a hybrid model is proposed based on the basic concepts of artificial neural networks in order to yield more accurate results than the traditional ANNs in short span of time situations. Three exchange rate data sets—the British pound, the United States dollar, and the Euro against the Iran rial-are used in order to demonstrate the appropriateness and effectiveness of the proposed model. Empirical results of exchange rate forecasting indicate that hybrid model is generally better than artificial neural networks and other models presented for exchange rate forecasting, in cases where inadequate historical data are available. Therefore, our proposed model can be a suitable alternative model for financial markets to achieve greater forecasting accuracy, especially in incomplete data situations. پرونده مقاله

دسترسی آزاد مقاله

121 - Ensemble strategies to build neural network to facilitate decision making
P Hanafizadeh E Salahi Parvin P Asadolahi N Gholami

There are three major strategies to form neural network ensembles. The simplest one is the Cross Validation strategy in which all members are trained with the same training data. Bagging and boosting strategies pro-duce perturbed sample from training data. This paper pr چکیده کامل

There are three major strategies to form neural network ensembles. The simplest one is the Cross Validation strategy in which all members are trained with the same training data. Bagging and boosting strategies pro-duce perturbed sample from training data. This paper provides an ideal model based on two important factors: activation function and number of neurons in the hidden layer and based upon these factors, it compares the results of the trained single model with the cross validation one in a case which uses the presidential election data in US. The trained single model is called single best model. In this experience, the comparison shows that the cross validation ensemble leads to lower generalization error. پرونده مقاله

دسترسی آزاد مقاله

122 - A neuro-fuzzy approach to vehicular traffic flow prediction for a metropolis in a developing country
L Ogunwolu O Adedokun O Orimoloye S.A Oke

Short-term prediction of traffic flow is central to alleviating congestion and controlling the negative impacts of environmental pollution resulting from vehicle emissions on both inter- and intra-urban highways. The strong need to monitor and control congestion time an چکیده کامل

Short-term prediction of traffic flow is central to alleviating congestion and controlling the negative impacts of environmental pollution resulting from vehicle emissions on both inter- and intra-urban highways. The strong need to monitor and control congestion time and costs for metropolis in developing countries has therefore motivated the current study. This paper establishes the application of neuro-fuzzy to predict traffic volume of vehicles on a busy traffic corridor. Using a case drawn from metropolitan Lagos, Nigeria, a traffic prediction system is designed such that the predicted values (output) can be accessed by the public through mobile phones. The best route to a particular route will also be advised by the system. In addition, the expected fuel consumption and travel time will be included in the output. Input data is pre-processed based on acquired real time traffic data, the network is trained and the fuzzifier module categorized the numerical output of the model. The advisory module of the traffic prediction model then computes the expected travel time and the fuel consumption cost. The results obtained established the non-linear nature of traffic flow along the routes and indicates that predicting the traffic situation is non-algorithmic. The travel time along the routes is averaged at 23.5 minutes, while the fuel cost is estimated at an average of $2.03. Thus, proper control of traffic time and cost could be obtained if monitoring is aided with neuro-fuzzy as a tool. پرونده مقاله

دسترسی آزاد مقاله

123 - Comparison of the performances of neural networks specification, the Translog and the Fourier flexible forms when different production technologies are used
R Feki

This paper investigates the performances of artificial neural networks approximation, the Translog and the Fourier flexible functional forms for the cost function, when different production technologies are used. Using simulated data bases, the author provides a compari چکیده کامل

This paper investigates the performances of artificial neural networks approximation, the Translog and the Fourier flexible functional forms for the cost function, when different production technologies are used. Using simulated data bases, the author provides a comparison in terms of capability to reproduce input demands and in terms of the corresponding input elasticities of substitution estimates. The results suggest that ANN provide a better approximation than other traditional functional forms only when a single technology is used. However, when elasticities of substitution are calculated, the Translog approximate batters the true technology in both single and mixed technology. پرونده مقاله

دسترسی آزاد مقاله

124 - Monitoring of Regional Low-Flow Frequency Using Artificial Neural Networks
M Akbari K Solaimani M Mahdavi M Habibnejhad

Ecosystem of arid and semiarid regions of the world, much of the country lies in the sensitive and fragile environment Canvases are that factors in the extinction and destruction are easily destroyed in this paper, artificial neural networks (ANNs) are introduced to obt چکیده کامل

Ecosystem of arid and semiarid regions of the world, much of the country lies in the sensitive and fragile environment Canvases are that factors in the extinction and destruction are easily destroyed in this paper, artificial neural networks (ANNs) are introduced to obtain improved regional low-flow estimates at ungauged sites. A multilayer perceptron (MLP) network is used to identify the functional relationship between low-flow quantiles and the physiographic variables. Each ANN is trained using the Levenberg-Marquardt algorithm. To improve the generalization ability of a single ANN, several ANNs trained for the same task are used as an ensemble. The bootstrap aggregation (or bagging) approach is used to generate individual networks in the ensemble. The stacked generalization (or stacking) technique is adopted to combine the member networks of an ANN ensemble. The proposed approaches are applied to selected catchments in the Lorestan province, Iran, to obtain estimates for several representative low-flow quantiles of summer and winter time. The jackknife validation procedure is used to evaluate the performance of the proposed models. The ANN-based approaches are compared with the traditional parametric regression models. The results indicate that both the single and ensemble ANN models provide superior estimates than these of the traditional regression models. The ANN ensemble approaches provide better generalization ability than the single ANN models. پرونده مقاله

دسترسی آزاد مقاله

125 - Estimation of Discharge over the Submerged Compound Sharp-Crested Weir using Artificial Neural Networks and Genetic Programming
A. Abbaspour S. Hashemikia

Truncated sharp crested weirs are used to measure flow rate and control upstream water surface in irrigation canals and laboratory flumes. The main advantages of such weirs are ease of construction and capability of measuring a wide range of flows with sufficient accura چکیده کامل

Truncated sharp crested weirs are used to measure flow rate and control upstream water surface in irrigation canals and laboratory flumes. The main advantages of such weirs are ease of construction and capability of measuring a wide range of flows with sufficient accuracy. Artificial neural networks (ANNs) and genetic programming (GP) have recently been used for estimation of hydraulic data. In this study, theywere used as alternative tools to estimate flow discharge over the submerged truncated weirs. The hydraulic parameter of water flow rate,Qwas determined as functions of thecrestwidth b, upstream head h, weir height P1,tail waterdepth , and flumewidth B. Estimations of the ANN and GP models were in good agreement with the measured data. The ANN model results were compared with those of the GP1,GP2, GP3and GP4 models and showedthat the proposed ANN models are much more accurate than the GP models.In addition, GP2 model has a better performance than GP1,GP3, GP4models. پرونده مقاله

دسترسی آزاد مقاله

126 - شبکه‌های عصبی مصنوعی : مدلی برای پیش‌بینی
حسین پور شهریار کاظم طباطبایی محمدکریم خداپناهی انوشیروان کاظم‌نژاد ثریا خفری

با توجه به محدودیتها و ابهامهای موجود در مدلهای متداول آماری مانند از دست دادن داده&lrm;های مربوط به تعاملهای پیچیده و غیرخطی بین سازه&lrm;های روان&lrm;شناختی و برخی مفروضه&lrm;ها مانند همگونی واریـانسها و توزیع نرمال، پژوهش حاضر توانایی مدلهای شبکه&lrm;های عصبی مصنوعی چکیده کامل

با توجه به محدودیتها و ابهامهای موجود در مدلهای متداول آماری مانند از دست دادن داده&lrm;های مربوط به تعاملهای پیچیده و غیرخطی بین سازه&lrm;های روان&lrm;شناختی و برخی مفروضه&lrm;ها مانند همگونی واریـانسها و توزیع نرمال، پژوهش حاضر توانایی مدلهای شبکه&lrm;های عصبی مصنوعی را برای مطالعات پیش&lrm;بینی بررسی کرد. گروه&lrm; نمونه&lrm;ای شامل 456 دانش&lrm;‌ـ آموز پسر سال سوم دبیرستان پرسشنامه شخصیتی کالیفرنیا (CPI؛ گاف، 1975) و پرسشنـامه همسازی دانـش&lrm;آموزان مدرسه (AISS، سینها و سینگ، 1993) را تکمیل و در پنج سطح همسازی (از ناسازگار تا کاملاً سـازگار) طبقه&lrm;بندی شدند. تحلیل عاملی ترکیبهـای مختلف رگه&lrm;هـای شخصیتی نشان داد که برخی از شبکه&lrm;ها به دلیل ناهمخوانی بین تعداد متغیرها و معماریهای شبکه، نمی&lrm;توانند همسازی را پیش&lrm;بینی کنند. اما بازنگری معمـاری&lrm;ها و تکرار شبکه&lrm;هـای جدید نسبت پیش&lrm;بینی درست (نسبـت طبقه&lrm;بندی شرکت&lrm;کنندگان در سطوح همسازی مبتنی بر AISS) را بـه گونه‌ای معنـادار افـزایش داد. مـناسب&lrm;ترین شبکـه برای پیش&lrm;بیـنی همسازی شامـل ترکیبی از متغیرهای شنـاختی انعطاف&lrm;پذیری، زنانگی، اشتراک و تحمل بود. پرونده مقاله

دسترسی آزاد مقاله

127 - Parallel Shared Hidden Layers Auto-encoder as a Cross-Corpus Transfer Learning Approach for Unsupervised Persian Speech Emotion Recognition
Yousef Pourebrahim Farbod Razzazi Hossein Sameti

Detecting emotions from speech is one of the challenging topics in speech signal processing, especially in low resource languages. Extracting common features between the training and testing set, using unsupervised method, can solve the inconsistency difficulty between چکیده کامل

Detecting emotions from speech is one of the challenging topics in speech signal processing, especially in low resource languages. Extracting common features between the training and testing set, using unsupervised method, can solve the inconsistency difficulty between training and test data. In this study, a new auto-encoder based structure is proposed as a new unsupervised method for domain adaptation. To this end, the proposed structure is made of shared encoders to learn common feature representations, shared across the source and the target domain datasets to minimize the discrepancy between them. In order to evaluate the performance of the proposed method, five generally available databases in different languages were used as training and testing datasets. Results on various scenarios demonstrated that the proposed method improves the classification performance significantly compared to the baseline and state of the art unsupervised domain adaptation methods for emotional speech recognition. As an example, the proposed method improved the emotion recognition rate in Persian emotional speech dataset (PESD) by 8% compared to cross corpus training when the source training set is EMOVO. پرونده مقاله

دسترسی آزاد مقاله

128 - Brain Tumor Detection Using Deep Transfer Learning Method
Alireza Fazelnia Hassan Masoumi Mohammad Fatehi Jasem Jamali

Accurate brain tumor MR images detection plays an important role in diagnosis and treatment decision making. The machine learning methods for classification only uses low-level or high-level features, to tackle the problem of classifications using some handcrafted featu چکیده کامل

Accurate brain tumor MR images detection plays an important role in diagnosis and treatment decision making. The machine learning methods for classification only uses low-level or high-level features, to tackle the problem of classifications using some handcrafted features. Development on deep learning, transfer learning and deep convolution neural networks (CNNs) has shown great progress and has succeeded in the image classification task. Deep learning is very powerful for feature representation. In this study, deep transfer learning method for features extraction and detection is used that it does not use any handcrafted features, and needs minimal preprocessing. Transfer learning is a method of transferring information during training and testing. In this study, features extraction from images with pre-trained CNN method, namely, GoogLeNet, VGGNet and AlexNet, for tumor detection is used. The accuracy of tumor detection is 99.84%. The results show that our method, shows the best accuracy for detections tumor پرونده مقاله

دسترسی آزاد مقاله

129 - Persian Speech Recognition Through the Combination of ANN/HMM
Ladan Khosravani pour Ali Farrokhi

The goal is to create a speech recognition system that is able to recognize Persian speech. Pro-sodic speech is attributed to the hierarchical structure from speech rhythm and tonal expression to the smallest syllable components and provides important information about چکیده کامل

The goal is to create a speech recognition system that is able to recognize Persian speech. Pro-sodic speech is attributed to the hierarchical structure from speech rhythm and tonal expression to the smallest syllable components and provides important information about trans segmental features such as F0 (fundamental frequency), intensity, and duration, which are crucial for natu-ral sound. Prosodic features are highly language dependent, however, the relationship between linguistic features and prosodic data is not well understood in some languages. While relatively high-performance prosodic generators have been developed for many languages, very limited work has been done on prosodic generators in Farsi. In this article, we first use a simple four-layer RNN to extract prosodic information, then we investigate the hybrid ANN/HMM model for Persian speech recognition. 210 samples of the speech of a male person were collected and after removing the noise, 47 of the samples were manually labeled phonetically. Then, the remaining training samples were automatically labeled and new neural networks (ANN) were created for the final recognition of the three-layer MLP type. Four methods including MEL, MEL derivative, energy, and energy derivative were used to extract features, and the values of each of these four methods were combined and given to the neural network. Then we use the neural network to classify these feature vectors and get the most similar vowels. We give the order of vowels as "observations" to HMMs (which are created based on pronunciations) and then find the most probable HMM (or in other words, the most words) to the input sound and output it. By applying recognition on 99.4% of test data, we even reached 100% accuracy in one case, which is a very favorable result considering the small number of speech data پرونده مقاله

دسترسی آزاد مقاله

130 - ارزیابی مدل‏های خطی و غیرخطی در پیش‏بینی شاخص قیمت سهام در بورس اوراق بهادار تهران
علی اکبر خسروی نژاد مرجان شعبانی صدر پیشه

باتوجه به تاثیر بازار بورس در تامین مالی و توسعه کشور، یافتن روشی مناسب برای پیش بینی بازار سهام اهمیت بسیاری دارد. به دلیل امکان وجود روابط غیرخطی در بازارهای مالی، هدف این مقاله، ارزیابی قدرت پیش بینی مدل های خطی و غیرخطی در بازار سهام است. ابتدا با استفاده از مدل سری چکیده کامل

باتوجه به تاثیر بازار بورس در تامین مالی و توسعه کشور، یافتن روشی مناسب برای پیش بینی بازار سهام اهمیت بسیاری دارد. به دلیل امکان وجود روابط غیرخطی در بازارهای مالی، هدف این مقاله، ارزیابی قدرت پیش بینی مدل های خطی و غیرخطی در بازار سهام است. ابتدا با استفاده از مدل سری های زمانی و شبکه عصبی مصنوعی[i]، متغیر هفتگی شاخص قیمت سهام در بورس اوراق بهادار تهران در سال های 83 تا 87 برآورد شده و سپس قدرت پیش بینی دو مدل در سال های 87 تا 89 آزمون شده است. نتایج، بیانگر عدم اختلاف معنی دار دو مدل می باشد [i]. Artifitial Neural Network پرونده مقاله

دسترسی آزاد مقاله

131 - رویکردها و ابزارهای پیش بینی هوشمند فازی در حوزه ارزهای دیجیتال
داود زارع خانقاه علی محمدی محمد ایمانی برندق امیر نجفی

10.30495/fed.2024.709350

چکیده سیستم های ترکیبی مبتنی بر شبکه های عصبی مصنوعی و سیستم های فازی مدل های مختلفی را برای پیشرفت علم ارائه می دهند از آنجا که آنها مدل هایی هستند که می توانند با آموزش عملی شبکه های عصبی و ظرفیت تفسیری سیستم های فازی کار کنند. لذا هدف این پژوهش، بررسی سیستماتیک مهمت چکیده کامل

چکیده سیستم های ترکیبی مبتنی بر شبکه های عصبی مصنوعی و سیستم های فازی مدل های مختلفی را برای پیشرفت علم ارائه می دهند از آنجا که آنها مدل هایی هستند که می توانند با آموزش عملی شبکه های عصبی و ظرفیت تفسیری سیستم های فازی کار کنند. لذا هدف این پژوهش، بررسی سیستماتیک مهمترین تئوری های پیش بینی ارز دیجیتال مبتنی بر مدل های ترکیبی فازی و شبکه های عصبی مصنوعی است مدل هایی که عمدتاً بر روش های نظارت شده جهت سنجش مدل های ترکیبی متمرکز هستند همچنین، این بررسی ، تاریخچه مدل های ترکیبی، ترکیبات و قابلیت های معماری ، پردازش داده ها و روش های سنجش آنها، ویژگی های مدل های برجسته(پیشرو) و کاربردهای آنها در پیش بینی ارز دیجیتال را نیز شامل می شود نتایج نشان می دهد که مدل های شبکه عصبی فازی و مشتقات آنها در پیش بینی ارز دیجیتال با دقت بسیار بالا و با قابلیت توجیه مناسب که در طیف وسیعی از حوزه های اقتصادی و علمی کاربرد دارد، کارآمد هستند پرونده مقاله

دسترسی آزاد مقاله

132 - Estimation of Daily Evaporation Using of Artificial Neural Networks (Case Study; Borujerd Meteorological Station)
A. Ariapour M. Nassaji Zavareh

Evaporation is one of the most important components of hydrologic cycle.Accurate estimation of this parameter is used for studies such as water balance,irrigation system design, and water resource management. In order to estimate theevaporation, direct measurement metho چکیده کامل

Evaporation is one of the most important components of hydrologic cycle.Accurate estimation of this parameter is used for studies such as water balance,irrigation system design, and water resource management. In order to estimate theevaporation, direct measurement methods or physical and empirical models can beused. Using direct methods require installing meteorological stations andinstruments for measuring evaporation. Installing such instruments in various areasrequires specific facilities and cost which is impossible to be specified. Panevaporation is one of the most popular instruments for direct measuring. In thisresearch, by using daily temperature, relative humidity, wind velocity, sunshinehours, and evaporation data in meteorological station and neural network model,daily evaporation is estimated. Network training using daily data takes three yearsand network testing takes one year in which data is standardize for training andtesting the model. In this model, a feed forward multiple layer network with ahidden layer and sigmoid function is used. The results show the suitable capabilityand acceptable accuracy of artificial neural networks in estimating of dailyevaporation. Best model for estimation of evaporation is ANN (5-4-1), it have MSE0.006716 and R2 0.725398. Artificial neural networking is one of the methods forestimate evaporation. In this method can use in any area that have only maximumand minimum data for estimate evaporation. پرونده مقاله

دسترسی آزاد مقاله

133 - انتخاب بهینه سبد سهام با استفاده از الگوریتم ترکیبی هوش جمعی سالپ و سینوس کسینوس و شبکه‌های عصبی روبه جلو
سیدعلی حسینی علی اسماعیل زاده مقری آزیتا جهانشاد

انتخاب بهینه سبد سهام یک مسئله بهینه سازی است که توسط الگوریتم های فراابتکاری قابل حل است. قدرت جستجو در الگوریتم فراابتکاری ارتباط مستقیم با دقت انتخاب بهترین سهام در سبد پرتفوی دارد. الگوریتم هوش جمعی سالپ از الگوریتم های فراابتکاری جدید است که در انتخاب سبد بهینه سها چکیده کامل

انتخاب بهینه سبد سهام یک مسئله بهینه سازی است که توسط الگوریتم های فراابتکاری قابل حل است. قدرت جستجو در الگوریتم فراابتکاری ارتباط مستقیم با دقت انتخاب بهترین سهام در سبد پرتفوی دارد. الگوریتم هوش جمعی سالپ از الگوریتم های فراابتکاری جدید است که در انتخاب سبد بهینه سهام، نتایج خوبی داشته است. در این تحقیق راهکاری جدید جهت تقویت قدرت جستجو در الگوریتم هوش جمعی سالپ با استفاده از الگوریتم سینوس کسینوس ارائه شده است. در تحقیقات مشاهده می شود که ﻣﺪل رﯾﺎﺿﯽ ﻣﯿﺎﻧﮕﯿﻦ وارﯾﺎﻧﺲ ﻣﺎرﮐﻮﯾﺘﺰ ﯾﮑﯽ از اﺻﻠﯽﺗﺮﯾﻦ راهکارها جهت انتخاب بهینه سبد سهام است اما ﺑﻬﺘﺮ اﺳﺖ ﻣﻌﯿﺎرﻫﺎیی همچون ﭼﻮﻟﮕﯽ با در نظر گرفتن ﭘﺘﺎﻧﺴﯿﻞ آینده ﺳﻬﺎم نیز بررسی شود. در اﯾﻦ ﺗﺤﻘﯿﻖ از 20 ﺷﺮﮐﺖ اول از 50 ﺷﺮﮐﺖ ﺑﺮﺗﺮ ﺳﻪ ﻣﺎﻫﻪ اول سال 1398 اﺳﺘﻔﺎده ﺷﺪه اﺳﺖ. در اﯾﻦ تحقیق با استفاده از شبکه عصبی روبه جلو، پیش بینی قیمت پایانی آینده سهام انجام شده و ﺳﭙﺲ ﺑﺎ اﺳﺘﻔﺎده از اﻟﮕﻮرﯾﺘﻢ جدید هوش جمعی سالپ سینوسی کسینوسی جهت انتخاب بهینه سبد سهام استفاده می شود. ﻧﺘﺎﯾﺞ ﺗﺤﻘﯿﻖ ﺑﯿﺎﻧﮕﺮ آن اﺳﺖ ﮐﻪ ﻣﺪلﻫﺎی اراﺋﻪ ﺷﺪه در اﯾﻦ ﻣﻘﺎﻟﻪ، در ﻣﻘﺎﯾﺴﻪ ﺑﺎ روشﻫﺎی ﺳﻨﺘﯽ و ﺷﺎﺧﺺ ﺑﺎزار، ﺑﺎزدﻫﯽ ﺑﺎﻻﺗﺮی را برای سرمایه گذاران فراهم می نماید. پرونده مقاله

دسترسی آزاد مقاله

134 - مدلسازی جهت پیش بینی ریسک نقدینگی بانکهای دولتی ایران با استفاده از شبکه های عصبی مصنوعی و شاخصهای حسابداری
مهدی خسرویانی فرزانه حیدر پور

10.30495/faar.2022.697091

چکیدهیکی از مهمترین مخاطرات پیشروی بانکها ریسک نقدینگی است، بنابراین بانکها باید سیستمهای اطلاعاتی مناسبی برای اندازه گیری، پیشبینی و کنترل ریسک نقدینگی داشته باشند، هر بانکیا مؤسسه مالی و اعتباری با توجه به شرایط، ویژگیهاو نوع فعالیت، با استفاده از ابزارها و روشهای مخت چکیده کامل

چکیدهیکی از مهمترین مخاطرات پیشروی بانکها ریسک نقدینگی است، بنابراین بانکها باید سیستمهای اطلاعاتی مناسبی برای اندازه گیری، پیشبینی و کنترل ریسک نقدینگی داشته باشند، هر بانکیا مؤسسه مالی و اعتباری با توجه به شرایط، ویژگیهاو نوع فعالیت، با استفاده از ابزارها و روشهای مختلفی ریسک نقدینگی خود رامدیریت میکند، با وجود تفاوتهای اساسی در اندازه، نوع فعالیت و ساختار بانکهای دولتی با یکدیگر، آیا با استفاده از شاخص‌های حسابداری وشبکه عصبی امکان مدل‌سازی و پیش‌بینی ریسک نقدینگی بانک‌های دولتی وجود دارد؟برای پاسخ به این سوال در این پژوهشابتدا با استفاده از اطلاعات حسابداری هشت بانک، که کل بانکهایدولتی ایران را تشکیل میدهند، به صورت جداگانه ،شاخص‌های حسابداری پژوهش محاسبه وریسک نقدینگی توسط شبکه عصبی پرسپترون چند لایه مدلسازی شد.سپس اختلاف نتایج حاصل از مدل با اطلاعات واقعی با استفاده از معیار میانگین مربعات خطا اندازه‌گیری شد. نتایج پژوهش نشان داد که از مدل طراحی شده، میتوان برای پیش‌بینی ریسک نقدینگی بانکهای دولتی ایران استفاده کرد. پرونده مقاله

دسترسی آزاد مقاله

135 - Short Term Load Forecasting by Using ESN Neural Network Hamedan Province Case Study
Milad Sasani

Abstract Forecasting electrical energy demand and consumption is one of the important decision-making tools in distributing companies for making contracts scheduling and purchasing electrical energy. This paper studies load consumption modeling in Hamedan city province چکیده کامل

Abstract Forecasting electrical energy demand and consumption is one of the important decision-making tools in distributing companies for making contracts scheduling and purchasing electrical energy. This paper studies load consumption modeling in Hamedan city province distribution network by applying ESN neural network. Weather forecasting data such as minimum day temperature, average day temperature, maximum day temperature, minimum dew temperature, average dew point temperature, maximum dew temperature, maximum humidity, average humidity and minimum humidity are collected from weather forecasting station in Hamedan city province. By studying these parameters and daily electrical energy consumption registered in Distribution Company of Hamedan city province and using statistical analysis factors, the parameters which affect daily electricity consumption have been recognized. By applying ESN neural network modeling this load with recognized parameters has been carried out and load forecasting has been assessed. Forecasting result indicates high accuracy of ESN network system for load forecasting short term. پرونده مقاله

دسترسی آزاد مقاله

136 - مدل‌سازی و پیش‌بینی نوسانات بازار سهام با استفاده از تر کیب شبکه عصبی و الگوهای واریانس شرطی
علی راستین فر محمود همت فر

پیش‌بینی نوسان یکی از مسایل بسیار مهم در بازارهای مالی است که توجه بسیاری از پژوهشگران دانشگاهی و کارشناسان این حوزه را در چند دهه ی گذشته به خود جلب کرده است. در پژوهش حاضر با توجه به این ضرورت، به بررسی مدلسازی و پیش بینی نوسان بازار سهام با استفاده از ترکیب‌ شبکه‌ ها چکیده کامل

پیش‌بینی نوسان یکی از مسایل بسیار مهم در بازارهای مالی است که توجه بسیاری از پژوهشگران دانشگاهی و کارشناسان این حوزه را در چند دهه ی گذشته به خود جلب کرده است. در پژوهش حاضر با توجه به این ضرورت، به بررسی مدلسازی و پیش بینی نوسان بازار سهام با استفاده از ترکیب‌ شبکه‌ های عصبی مصنوعی و الگوهای واریانس شرطی پرداخته می‌شود.در این تحقیق از شبکه های عصبی پرسپترون چند لایه (MLP ) ، مدل‌های ناهمسانی واریانس شرطی (ARCH) و الگوی خود رگرسیو واریانس شرطی GARCH (P,Q)استفاده شده است . جامعه آماری تحقیق ، شاخص بورس تهران برای دوره زمانی فروردین سال ۱۳۸۷ تا فروردین سال ۱۳۹۷ می باشد . تحقیق به دنبال رد یا تایید این فرضیه است که "استفاده ازالگوی ترکیب شبکه عصبی مصنوعی و مدل‌های واریانس شرطی دقت پیش بینی نوسان بازار سهام در بورس اوراق بهادار تهران را نسبت به الگوی وریانس شرطی افزایش می‌دهد" . نتایج بدست آمده ، صـحت فرضیه فوق را تایید می نماید . پرونده مقاله

دسترسی آزاد مقاله

137 - نسبتهای مالی تصویری و پیش‌بینی ورشکستگی شرکتها با استفاده از مدل شبکه‌های عصبی کانولوشن
عباسعلی حق پرست علیرضا مومنی عزیز گرد فردین منصوری

پژوهش حاضر با هدف بکارگیری شبکه عصبی کانولوشن برای پیش بینی ورشکستگی شرکتها با استفاده از نسبتهای مالی تصویری انجام می‌گیرد. در دنیای به سرعت در حال تغییر، برای شناسایی تصاویر، شبکه‌های عصبی کانولوشن در مسائل مربوط به بسیاری از رشته‌ها بکار می‌روند. دوره زمانی پژوهش 138 چکیده کامل

پژوهش حاضر با هدف بکارگیری شبکه عصبی کانولوشن برای پیش بینی ورشکستگی شرکتها با استفاده از نسبتهای مالی تصویری انجام می‌گیرد. در دنیای به سرعت در حال تغییر، برای شناسایی تصاویر، شبکه‌های عصبی کانولوشن در مسائل مربوط به بسیاری از رشته‌ها بکار می‌روند. دوره زمانی پژوهش 1388 تا 1397 و شرکتهای نمونه از بین شرکتهای پذیرفته شده در بورس اوراق بهادار تهران و در قالب دو گروه شامل 66 شرکت ورشکسته و 66 شرکت غیر ورشکسته انتخاب شدند. از آنجا که کار شبکه عصبی کانولوشن شناخت تصاویر از بین تصاویر موجود است لذا ابتدا نسبتهای مالی به عنوان داده های پژوهش از طریق نرم افزار متلب 2019 به تصویر تبدیل و سپس با کمک شبکه عصبی کانولوشن و تحت معماری گوگل نت اقدام به تشخیص و پیش بینی وضعیت شرکتهای نمونه گردید. نتایج حاصل از تحلیل یافته‌ها نشان داد که مدل شبکه‌های عصبی کانولوشن در پیش بینی و شناخت از روی تصاویر، پیش بینی درستی با دقت 50 درصد از بین شرکتها انجام داد. به عبارتی در پیش بینی وضعیت تداوم فعالیت شرکتها 50 درصد از شرکتهای ورشکسته و 50 درصد از شرکتهای غیر ورشکسته را درست تشخیص داد. پرونده مقاله

دسترسی آزاد مقاله

138 - ارائه مدلی برای انتخاب سبد بهینه سهام با استفاده از الگوریتم هوش جمعی سالپ و شبکه‌های عصبی پرسپترون چندلایه
سید علی حسینی زهرا پورزمانی آزیتا جهانشاد

ﻣﻬﻤﺘﺮﯾﻦ دﻏﺪﻏﻪ ﺳﺮﻣﺎﯾﻪﮔﺬاران، اﻓﺰاﯾﺶ ﻣﯿﺰان ﺳﻮد و ﮐﺎﻫﺶ رﯾﺴﮏ درﺑﻮرس ﺑﻮده و ﻫﻤﻮاره ﺑﻪ دﻧﺒﺎل راهکاری جهت ﺑﻬﺘﺮﯾﻦ ﭘﯿﺸﻨﻬﺎد در ﺧﺮﯾﺪ ﺳﻬﺎم هستند، تا ﺑﯿﺸﺘﺮﯾﻦ سود ﺳﺮﻣﺎﯾﻪﮔﺬاری را ﺑﺎﺷﺪ. در تحقیقات اﻧﺠﺎم ﺷﺪه مشاهده می شود که ﻣﺪل رﯾﺎﺿﯽ ﻣﯿﺎﻧﮕﯿﻦ وارﯾﺎﻧﺲ ﻣﺎرﮐﻮﯾﺘﺰ ﯾﮑﯽ از اﺻﻠﯽﺗﺮﯾﻦ راهکارها اس چکیده کامل

ﻣﻬﻤﺘﺮﯾﻦ دﻏﺪﻏﻪ ﺳﺮﻣﺎﯾﻪﮔﺬاران، اﻓﺰاﯾﺶ ﻣﯿﺰان ﺳﻮد و ﮐﺎﻫﺶ رﯾﺴﮏ درﺑﻮرس ﺑﻮده و ﻫﻤﻮاره ﺑﻪ دﻧﺒﺎل راهکاری جهت ﺑﻬﺘﺮﯾﻦ ﭘﯿﺸﻨﻬﺎد در ﺧﺮﯾﺪ ﺳﻬﺎم هستند، تا ﺑﯿﺸﺘﺮﯾﻦ سود ﺳﺮﻣﺎﯾﻪﮔﺬاری را ﺑﺎﺷﺪ. در تحقیقات اﻧﺠﺎم ﺷﺪه مشاهده می شود که ﻣﺪل رﯾﺎﺿﯽ ﻣﯿﺎﻧﮕﯿﻦ وارﯾﺎﻧﺲ ﻣﺎرﮐﻮﯾﺘﺰ ﯾﮑﯽ از اﺻﻠﯽﺗﺮﯾﻦ راهکارها است اما ﺑﻬﺘﺮ اﺳﺖ ﻣﻌﯿﺎرﻫﺎیی همچون ﭼﻮﻟﮕﯽ با در نظر گرفتن ﭘﺘﺎﻧﺴﯿﻞ آینده ﺳﻬﺎم مورد بررسی قرار گیرد. در اﯾﻦ ﺗﺤﻘﯿﻖ از 20 ﺷﺮﮐﺖ اول از 50 ﺷﺮﮐﺖ ﺑﺮﺗﺮ ﺳﻪ ﻣﺎﻫﻪ اول سال 2019 اﻋﻼم ﺷﺪه ﺗﻮﺳﻂ ﺷﺮﮐﺖ ﺑﻮرس ﺑﻪ ﻋﻨﻮان ﻧﻤﻮﻧﻪ اﺳﺘﻔﺎده ﺷﺪه اﺳﺖ. همچنین اﯾﻦ ﭘﮋوﻫﺶ ﺑﻪ دﻧﺒﺎل اراﺋﻪ مدلی است که در آن پتانسیل آینده سهام ، توسط شبکه عصبی پرسپترون چندلایه با چندسناریو مختلف از جمله پیش بینی از روش خود سری زمانی قیمت سهام و یا پیش بینی با تاثیر عوامل موثر در تغییرات قیمت سهام، پیش بینی می شود. ﺳﭙﺲ، اﯾﻦ ﻣﺪلﻫﺎی بهینه سازی ﺑﺎ اﺳﺘﻔﺎده از اﻟﮕﻮرﯾﺘﻢ هوش جمعی سالپ که از الگوریتم های نوظهور و با قدرت همگرایی بالا است، ﺣﻞ ﻣﯽﮔﺮدد. ﻧﺘﺎﯾﺞ ﺗﺤﻘﯿﻖ ﺑﯿﺎﻧﮕﺮ آن اﺳﺖ ﮐﻪ ﻣﺪلﻫﺎی اراﺋﻪ ﺷﺪه در اﯾﻦ ﻣﻘﺎﻟﻪ، در ﻣﻘﺎﯾﺴﻪ ﺑﺎ روشﻫﺎی ﺳﻨﺘﯽ و ﺷﺎﺧﺺ ﺑﺎزار، ﺑﺎزدﻫﯽ ﺑﺎﻻﺗﺮی را برای سرمایه گذاران فراهم می نماید. پرونده مقاله

دسترسی آزاد مقاله

139 - مقایسه مدل‌های مختلف یادگیری ماشین در پیش‌بینی شاخص بازار سهام
مریم سهرابی سید مظفر میربرگ کار ابراهیم چیرانی سینا خردیار

پیش بینی سریهای زمانی بازارهای مالی مسئله ای چالش برانگیز در حوزه مطالعات تخصصی سری های زمانی محسوب میشود و نظر بسیاری از پژوهشگران را به خود جلب نموده است. این موضوع با توجه به حضور کلان داده‌ها موجب رشد تحولات در زمینه مدل‌های یادگیری ماشین شده است. با توجه به اهمیت ا چکیده کامل

پیش بینی سریهای زمانی بازارهای مالی مسئله ای چالش برانگیز در حوزه مطالعات تخصصی سری های زمانی محسوب میشود و نظر بسیاری از پژوهشگران را به خود جلب نموده است. این موضوع با توجه به حضور کلان داده‌ها موجب رشد تحولات در زمینه مدل‌های یادگیری ماشین شده است. با توجه به اهمیت این موضوع، در این پژوهش، با بهره‌‌گیری از مقایسه مدل‌های مختلف یادگیری ماشین از قبیل رویکردهای جنگل تصادفی، ماشین بردار پشتیبان، شبکه عصبی مصنوعی و شبکه عصبی بازگشتی مبتنی بر یادگیری عمیق به بررسی توانایی مدل های مختلف یادگیری ماشین در پیش‌بینی شاخص کل بورس اوراق بهادار تهران در طی دوره ی 1392 تا 1399 پرداخته شده است. نتایج پیش بینی دوره‌های 1، 3 و 6 روزه برای دوره خارج از نمونه نشان می‌دهد که روش‌ یادگیری ماشین مبتنی بر شبکه عصبی بازگشتی حافظه طولانی کوتاه‌مدت (LSTM) در مقایسه با سایر مدل‌های مورد بررسی نتیجه بهتری داشته است. پرونده مقاله

دسترسی آزاد مقاله

140 - ارائه ی مدلی جهت پیش بینی روند بازار سهام از طریق تشخیص الگوهای فراکتال مبتنی بر تئوری امواج الیوت با استفاده از روش یادگیری عمیق
مسعود نادم یحیی کامیابی اسفندیار ملکیان

امروزه هوش مصنوعی در تشخیص الگوهای نموداری در تحلیل تکنیکال تحولی بزرگ ایجاد کرده است. البته ظهور روش‌‌های جدید و پیچیده‌ در تحلیل تکنیکال، هر بار چالش نویی برای روش‌‌‌‌های هوش مصنوعی فراهم کرده است. از جمله روش‌های مورد‌ اقبال و پیچیده‌ی تحلیل تکنیکال، تئوری امواج الیو چکیده کامل

امروزه هوش مصنوعی در تشخیص الگوهای نموداری در تحلیل تکنیکال تحولی بزرگ ایجاد کرده است. البته ظهور روش‌‌های جدید و پیچیده‌ در تحلیل تکنیکال، هر بار چالش نویی برای روش‌‌‌‌های هوش مصنوعی فراهم کرده است. از جمله روش‌های مورد‌ اقبال و پیچیده‌ی تحلیل تکنیکال، تئوری امواج الیوت است. از طرف دیگر سرعت پیشرفت روش‌های هوش مصنوعی نیز به گونه ای است که هر بار روشی قدرتمندتر معرفی می‌گردد. از جمله روش‌های نوین و قدرتمند هوش مصنوعی روش یادگیری عمیق است. لذا در پژوهش حاضر به ارائه‌ی مدلی جهت پیش‌بینی روند بازار سهام از طریق تشخیص الگوهای فراکتال مبتنی بر تئوری امواج الیوت با استفاده از روش یادگیری عمیق پرداخته شده است. در این پژوهش تعداد 15 الگوی امواج الیوت مدنظر قرار گرفت و سپس تعداد 1002 نمونه از نمودارهای قیمت سهام شرکت های حاضر در بورس ایران، برای الگوها جمع آوری و برچسب گذاری گردید و نهایتاً برای تشخیص به عنوان ورودی به الگوریتم یادگیری عمیق با بکارگیری مدل شبکه های عصبی بازگشتی وارد گردید. در این پژوهش از نرم افزار RapidMiner 9.9 و جهت تعیین توان مدل از معیار صحت استفاده شد. نتایج حاصل نشان دهنده‌ی صحت 61 درصدی در تشخیص الگوها توسط مدل است. پرونده مقاله

دسترسی آزاد مقاله

141 - 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

142 - 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 امین

در 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 کامل

در 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

143 - بومی‌سازی الگوهای ارزیابی ریسک سیستماتیک برپایه متغیر های مالی و غیر‌مالی
علیرضا اسلام پور رویا دارابی

تصمیم‌گیری در مسائل مالی و اقتصادی به دلیل عدم اطمینان آتی، همواره با ریسک همراه است. بنابراین یکی از راه های کمک به سرمایه‌گذاران، ارائه الگوهای پیش‌بینی ریسک سرمایه‌گذاری می‌باشد. هر چه این پیش‌بینی‌ها به واقعیت نزدیکتر باشند، تصمیم‌گیری‌هایی که بر اساس چنین پیش‌بینی چکیده کامل

تصمیم‌گیری در مسائل مالی و اقتصادی به دلیل عدم اطمینان آتی، همواره با ریسک همراه است. بنابراین یکی از راه های کمک به سرمایه‌گذاران، ارائه الگوهای پیش‌بینی ریسک سرمایه‌گذاری می‌باشد. هر چه این پیش‌بینی‌ها به واقعیت نزدیکتر باشند، تصمیم‌گیری‌هایی که بر اساس چنین پیش‌بینی‌هایی اتخاذ می‌شوند، صحیح‌تر خواهد بود. هدف اصلی پژوهش تجربی حاضر پیش‌بینی ریسک سیستماتیک با تاکید بر متغیرهای مالی و غیرمالی می‌باشد. جامعه آماری این پژوهش، شرکت‌های پذیرفته‌ شده در بورس اوراق بهادار تهران است. داده‌های مورد مطالعه این پژوهش شامل 552 سال- شرکت از سال‌های 1392 تا 1397 می‌باشد. برای آزمون فرضیه ها از رویکرد شبکه های عصبی مصنوعی و الگوریتم های کرم شب، درخت تصمیم و رگرسیون ماشین بردار پشتیبان استفاده شده است. نتایج حاصل شده از آزمون فرضیه‌های تحقیق نشان داد که هر سه الگوریتم، قدرت تبیین ریسک سیستماتیک را دارا می‌باشند. پرونده مقاله

دسترسی آزاد مقاله

144 - 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

145 - بررسی و شناخت متغیرهای اصلی تاثیرگذار بر شاخص کل بورس اوراق بهادار تهران و مدلسازی آن با استفاده از شبکه های عصبی مصنوعی و مقایسه نتایج حاصله با تحلیل تکنیکال و موجهای الیوت
محمد کامروافر سیدذبیح اله هاشمی

هدف اصلی این مطالعه، بررسی و شناخت متغیرهای اصلی تاثیرگذار بر شاخص کل بورس اوراق بهادار تهران و مدلسازی آن با استفاده از شبکه های عصبی مصنوعی و مقایسه نتایج حاصله با تحلیل تکنیکال و موجهای الیوت است. متغیرهای توضیحی به کار رفته در مدل تحقیق: نرخ ارز، تورم، بیکاری، رشد چکیده کامل

هدف اصلی این مطالعه، بررسی و شناخت متغیرهای اصلی تاثیرگذار بر شاخص کل بورس اوراق بهادار تهران و مدلسازی آن با استفاده از شبکه های عصبی مصنوعی و مقایسه نتایج حاصله با تحلیل تکنیکال و موجهای الیوت است. متغیرهای توضیحی به کار رفته در مدل تحقیق: نرخ ارز، تورم، بیکاری، رشد تولید و حجم نقدینگی بودند و متغیر هدف در این مطالعه شاخص کل بورس اوراق بهادار تهران می باشد. در این تحقیق از شبکه های عصبی GMDH و MLP و همچنین ابزارهای تحلیل تکنیکال (امواج الیوت و کانال رگرسیون) استفاده گردید. در این خصوص شبکه GMDH نشان داد که از میان متغیرهای مورد استفاده به عنوان شاخصهای کلان اقتصادی، متغیر نرخ بیکاری متغیر زائد بوده و تاثیر آن ناچیز است. اما سایر متغیرها (نرخ ارز، تورم، رشد تولید، حجم نقدینگی) اثر مضاعفی داشتند. همچنین یافته دیگر تحقیق ضمن تایید نتایج مشابه برای شبکه عصبی و تحلیل تکنیکال، حاکی از قدرت بالاتر شبکه های عصبی در پیش بینی شاخص بورس است. پرونده مقاله

دسترسی آزاد مقاله

146 - استفاده از شبکه های عصبی موجکی به منظورتعیین و ارزیابی تاثیرات ریسک سیستمایک بر بازده مالی سهام
غلامرضا زمردیان شهرزاد کاشانی تبار مانا خاکساریان

مقاله حاضر به بررسی رابطه ی بین بازده سهام و ریسک سیستماتیک در افق های زمانی میان مدت و بلندمدت و بررسی تأثیر میزان نوسانات بازار بر رابطه ی فوق در شرکت های موادغذایی و لبنی پذیرفته شده در بورس اوراق بهادار تهران در بازده زمانی 1391 الی 1396 می پردازد. در بازارمالی چکیده کامل

مقاله حاضر به بررسی رابطه ی بین بازده سهام و ریسک سیستماتیک در افق های زمانی میان مدت و بلندمدت و بررسی تأثیر میزان نوسانات بازار بر رابطه ی فوق در شرکت های موادغذایی و لبنی پذیرفته شده در بورس اوراق بهادار تهران در بازده زمانی 1391 الی 1396 می پردازد. در بازارمالی سرمایه یکی از مهم ترین مباحث ارتباط بین ریسک و بازده است، مخصوصاً ریسک سیستماتیک؛ زیرا اعتقاد بر این است که بازده سهام فقط تابعی از ریسک سیستماتیک است. تحقیقات بسیاری در زمینه بررسی رابطه ی بین ریسک و بازده انجام شده است. از جمله این تلاش ها، تحقیقی است که توسط شارپ انجام شد. او با معرفی مدل CAPM) مدل قیمت گذاری دارایی های سرمایه ای) فرض کرد که بین ریسک سیستماتیک و بازده اوراق بهادار رابطه ی خطی ساده و مثبتی وجود دارد. به منظور آزمون فرضیات تحقیق ابتدا دوره تحقیق را بر اساس وارایانس شاخص صنعت داروسازی و شیمیایی به دو دسته دوره های پرنوسان و کم نوسان تقسیم شده است. سپس اطلاعات مربوط به ریسک سیستماتیک و بازده سهام در دوره های پرنوسان و کم نوسان را با روش تبدیل موجک گسسته همپوشانی (DWT) و با موجک دابشیز با استفاده از نرم افزار MATLAB به دوره زمانی کوچک تر تجزیه نموده، سپس به منظور آزمون فرضیه های تحقیق، از تحلیل رگرسیون استفاده شده است.نتایج آزمون فرضیه های تحقیق نشان میدهد رابطه معناداری بین ریسک سیستماتیک و بازده در دوره زمانی پر نوسان در افق های زمانی میان مدت و بلندمدت وجود دارد. همچنین در دروه های زمانی کم نوسان نیز در افق های زمانی میان مدت رابطه معناداری میان ریسک سیستماتیک و بازده وجود دارد ولی فقط در افق زمانی بلندمدت 182روزه رابطه معنادار میان ریسک و بازده به اثبات میرسد. پرونده مقاله

دسترسی آزاد مقاله

147 - ارایه مدل ارزش گذاری سهام در عرضه های عمومی اولیه با استفاده از مدل عصبی-ژنتیک
علی رستمی عماد فلامرزی سارا فاروقی

نگاه به تاریخچه بازار بورس حکایت از این نکته دارد که نگرانی عمده شرکت های بورسی در گام نخست برای ورود به بازار سرمایه این است که چه قیمتی برای عرضه عمومی اولیه مناسب بوده و آیا می توانند سرمایه گذاران را برای خرید سهام خود مجاب کنند.در کنار این موضوع ، از نگرانی سرمایه چکیده کامل

نگاه به تاریخچه بازار بورس حکایت از این نکته دارد که نگرانی عمده شرکت های بورسی در گام نخست برای ورود به بازار سرمایه این است که چه قیمتی برای عرضه عمومی اولیه مناسب بوده و آیا می توانند سرمایه گذاران را برای خرید سهام خود مجاب کنند.در کنار این موضوع ، از نگرانی سرمایه گذاران نیز که قیمت سهام عرضه شده را واقعی یا کاذب تصور کنند، نمی توان گذشت.این پژوهش سعی براین دارد که باا استفاده از روش غیر خطی این معضل را بر طرف نماید. پژوهش حاضر به ارایه مدل قیمت گذاری عرضه عمومی اولیه سهام در بورس اوراق بهادار تهران می پردازد. دوره تحقیق مورد مطالعه از سال 1382 تا 1393 می باشد.جامعه آماری تحقیق 145 شرکت ورودی به بورس اوراق بهادار تهران در این بازه زمانی و نمونه آماری با توجه به شرط عدم سرمایه گذاری بودن شرکت ها و مدوّن بودن بودجه و دسترسی به اطلاعات شرکت، به 103 شرکت تقلیل پیدا کرد. شبکه پیشنهادی یک شبکه چند لایه رو به جلو با بهینه سازی الگوریتم ژنتیک برای متغیر های مورد استفاده در تعیین قیمت سهام شرکت های جدید الورود به بورس می باشد .دوره 12 سااله با انتخاب 12 متغیر تاثیر گذار بر قیمت عرضه عمومی اولیه و 1 متغیر وابسته )قیمت عرضه اولیه(شبکه مناسبی را در قیمت گذاری صحیح نسبت به سایر مدل های خطی بیان شده در این پژوهش ارایه داده است. نتایج حاصل از مدل با استفاده از 4 معیار ارزیابی RMSE,MAE,R-SQUARE,U-THEIL بیانگر قیمت گذاری صحیح مدل پیشنهادی در اکثر موارد می باشد. پرونده مقاله

دسترسی آزاد مقاله

148 - مقایسه عملکرد مدل پنج عاملی فاما و فرنچ و انواع رویکرد های شبکه عصبی و عصبی فازی در پیش بینی قیمت سهام
رضا تهرانی میلاد حیرانی سمیرا منصوری

یکی از مهم‌ترین موضوعات مطرح بازارهای مالی پیش‌بینی قیمت و بازده سهام است. در این پژوهش سعی می‌شود بهترین مدل و رویکرد پیش‌بینی قیمت سهام با توجه به شاخص های میانگین مربعات خطا (MSE)، مجذور میانگین مربعات خطاها (RMSE)، ضریب تعیین ( 14R2"> ) انحراف معیار (S.D)، میانگی چکیده کامل

یکی از مهم‌ترین موضوعات مطرح بازارهای مالی پیش‌بینی قیمت و بازده سهام است. در این پژوهش سعی می‌شود بهترین مدل و رویکرد پیش‌بینی قیمت سهام با توجه به شاخص های میانگین مربعات خطا (MSE)، مجذور میانگین مربعات خطاها (RMSE)، ضریب تعیین ( 14R2"> ) انحراف معیار (S.D)، میانگین قدر مطلق خطاها (MAE) و معیار میانگین قدر مطلق خطاها (MAPE) برای مدل پنج عاملی فاما و فرنچ انتخاب شود. بدین منظور پس از تشکیل پرتفوی با توجه به مدل پنج عاملی فاما و فرنچ در بازه زمانی 1388 تا 1395 قیمت سهام توسط مدل اقتصادسنجی، رویکردهای شبکه عصبی، شبکه عصبی بهینه سازی شده، شبکه عصبی فازی بهینه سازی شده شبکه عصبی پایه شعاعی، شبکه عصبی GMDH، شبکه عصبی SVR و شبکه های عصبی فازی پیش‌بینی و دقت هر کدام از رویکردها برآورد شده است. نتایج پیش‌بینی بازدهی پرتفوی‌های تشکیل شده، نشان می‌دهد که دقت پیش‌بینی شبکه عصبی تابع پایه شعاعی (RBF) نسبت به دیگر مدل های ARMA و شبکه‌های عصبی بسیار بالا است. پرونده مقاله

دسترسی آزاد مقاله

149 - استفاده از الگوریتم ترکیبی عصبی کرم شب‌تاب و روش رگولاسیون بیزین جهت پیش‌بینی قیمت سهام
سید علیرضا موسوی افسانه غلامی

پیش‌بینی قیمت سهام در آینده هم برای خریداران سهام و هم برای فروشندگان آن از اهمیت بالایی برخوردار است. از این رو، جهت توسعه مدلی مبتنی بر هوش مصنوعی به منظور پیش‌بینی قیمت سهام در بازار ایران از شبکه‌های عصبی مصنوعی در این پژوهش استفاده گردیده است. از آنجایی که شبکه‌های چکیده کامل

پیش‌بینی قیمت سهام در آینده هم برای خریداران سهام و هم برای فروشندگان آن از اهمیت بالایی برخوردار است. از این رو، جهت توسعه مدلی مبتنی بر هوش مصنوعی به منظور پیش‌بینی قیمت سهام در بازار ایران از شبکه‌های عصبی مصنوعی در این پژوهش استفاده گردیده است. از آنجایی که شبکه‌های عصبی مصنوعی می‌بایست جهت حصول بهینه‌ترین عملکرد دارای بهترین توپولوژی شبکه باشند، از الگوریتم فرا ابتکاری شناخته‌شده‌ای تحت عنوان کرم شب‌تاب جهت یافتن ساختار بهینه شبکه استفاده گردیده است. در نهایت نیز جهت حفظ هرچه بیشتر عمومیت شبکه از روش رگولاسیون بیزین، به جای روش های متداول آموزش، جهت آموزش شبکه استفاده گردیده است. بطور کلی، داده‌های مربوط به سه شرکت بزرگ: ایران خودرو، پتروشیمی شیراز و ذوب آهن اصفهان برای سه سال متوالی مورد جمع‌آوری قرار گرفته و از پارامترهای: حجم معاملات، قیمت بالا، قیمت پایین، قیمت باز، قیمت پایانی، EMA(5)، EMA(10)، RSI، William R%، Stochastic k%، Stochastic D%، و ROC بعنوان ورودی شبکه و از قیمت پایانی سهام در روز آینده بعنوان خروجی شبکه عصبی استفاده گردیده است. پس از توسعه مدل مرتبط با هر شرکت از پارامترهای آماری نظیر: مجذور میانگین مربعات خطا (RMSE)، انحراف از معیار خطا (SDE)، متوسط مطلق خطای نسبی (AARD)، ضریب رگرسیون (R2)و همچنین آنالیز گرافیکی نمودار خطای نسبی جهت سنجش دقت شبکه توسعه داده شده استفاده گردیده است. نتایج حاصل از آنالیز خطای شبکه‌های عصبی توسعه داده شده نشان می‌دهند که مدل‌های مذکور با دقت بسیار مناسبی قادر به پیش‌بینی قیمت سهام در روز آینده برای شرکت‌های ذکر شده می‌باشند. پرونده مقاله

دسترسی آزاد مقاله

150 - آزمون عملکرد الگوریتم جنگل های تصادفی و الگوریتم شبکه عصبی عمیق در استراتژی آربیتراژ آماری
علیرضا فضل زاده جعفر حقیقت فرانک پورکیوان وحید احمدیان

در این تحقیق به آنالیز اثر بخشی الگوریتم جنگل های تصادفی در زمینه آربیتراژ آماری پرداخته شده است، همچنین برای سنجش عملکرد الگوریتم جنگل های تصادفی در زمینه آربیتراژ آماری نسبت به دیگر مدل های ارائه شده در پژوهش های پیشین، مقایسه نتایج بدست آمده از کاربرد این الگوریتم با چکیده کامل

در این تحقیق به آنالیز اثر بخشی الگوریتم جنگل های تصادفی در زمینه آربیتراژ آماری پرداخته شده است، همچنین برای سنجش عملکرد الگوریتم جنگل های تصادفی در زمینه آربیتراژ آماری نسبت به دیگر مدل های ارائه شده در پژوهش های پیشین، مقایسه نتایج بدست آمده از کاربرد این الگوریتم با الگوریتم شبکه های عصبی عمیق انجام شده است. مدل های مورد نظر با اطلاعات مربوط به قیمت سهام آموزش داده شده و خروجی بدست آمده از این تکنیک، سهام را بر اساس موقعیت خرید و فروش طبقه بندی کرده است. با استفاده از این استراتژی موقعیت های سودآوری در بازار سهام برای کسب سود شناسایی می شود. نتایج نشان داد مدل جنگل های تصادفی دارای خطای طبقه بندی کمتری نسبت به مدل شبکه عصبی عمیق می باشد، بنابراین مدل جنگل های تصادفی روش مناسب تری برای استفاده در استراتژی آربیتراژ آماری و کسب سود می باشد. پرونده مقاله

دسترسی آزاد مقاله

151 - پیش‌بینی شاخص کل بورس اوراق بهادار تهران با استفاده از رویکرد ترکیبی الگوریتم های فراابتکاری، هوش مصنوعی و معادله پارامتریک موجک
علیرضا سارنج مجید قدس رضا تهرانی

موضوع شناخت و بررسی رفتار قیمت سهام، همواره یکی از موضوع های مهم و موردتوجه محافل علمی و سرمایه‌گذاری بوده است. در سالیان گذشته مدل های گوناگونی برای پیش‌بینی با استفاده از شبکه عصبی و مدل های ترکیبی پیشنهاد شده‌اند که از مدل های سنتی عملکرد بهتری داشتند. در این پژوهش ی چکیده کامل

موضوع شناخت و بررسی رفتار قیمت سهام، همواره یکی از موضوع های مهم و موردتوجه محافل علمی و سرمایه‌گذاری بوده است. در سالیان گذشته مدل های گوناگونی برای پیش‌بینی با استفاده از شبکه عصبی و مدل های ترکیبی پیشنهاد شده‌اند که از مدل های سنتی عملکرد بهتری داشتند. در این پژوهش یک مدل ترکیبی از شبکه عصبی و تبدیل موجک پیشنهادشده است که از الگوریتم ژنتیک برای بهینه سازی تابع پایه تبدیل موجک با هدف حداکثر نمایی کارایی این تبدیل، استفاده‌شده است. داده های مورداستفاده برای این پژوهش داده های روزانه از تاریخ 02/02/1391 تا تاریخ 30/01/1396 است. نتایج این پژوهش نشان داد که با این روش می‌توان تابع پایه‌ای متناسب با ویژگی های ذاتی سری زمانی برای پیش‌بینی یافت که خطای پیش‌بینی در این مدل نسبت به مدل شبکه عصبی و مدل ترکیبی شبکه عصبی و تبدیل موجک کاهش یابد. پرونده مقاله

دسترسی آزاد مقاله

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

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

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

دسترسی آزاد مقاله

153 - ارائه مدلی برای پیش‌بینی ارزش‌گذاری معاملات بلوکی با رویکرد شبکه عصبی مصنوعی LSTM
عادله بحرینی مریم اکبریان فرد مهدی خوشنود

10.30495/afi.2023.1991282.1242

هدف: در غالب پژوهش‌های پیشین در ایران و سایر کشورهای دیگر توانمندی سیستم‌های هوشمند در پیش‌بینی متغیرهای اقتصادی و مالی به‌ویژه قیمت سهام تأیید شده است، اما در ارزش‌گذاری معاملات بلوکی برای اولین‌بار محاسبه می‌گردد. هدف پژوهش حاضر بررسی نتایج رویدادها و اطلاعات از گزارش چکیده کامل

هدف: در غالب پژوهش‌های پیشین در ایران و سایر کشورهای دیگر توانمندی سیستم‌های هوشمند در پیش‌بینی متغیرهای اقتصادی و مالی به‌ویژه قیمت سهام تأیید شده است، اما در ارزش‌گذاری معاملات بلوکی برای اولین‌بار محاسبه می‌گردد. هدف پژوهش حاضر بررسی نتایج رویدادها و اطلاعات از گزارش‌‌های مالی شرکت‌های پذیرفته شده در بورس اوراق بهادار تهران در قالب 15 شاخص مالی و یافتن میزان تأثیرگذاری این شاخص‌ها بر ارزش‌گذاری معاملات بلوکی با استفاده از آزمون Rmse بر روی داده‌های Test موردمطالعه قرار گرفته است.روش‌شناسی پژوهش: بدین منظور از اطلاعات مالی 64 شرکت ازمجموعه شرکت‌های پذیرفته شده درسازمان بورس اوراق بهادارتهران برای دوره زمانی 1390 تا1400 استفاده شده است. فرضیه‌ی تحقیق با بهره‌گیری از شبکه عصبی یادگیری عمیق مدل LSTM آزمون شده‌است.یافته‌ها: شبکة عصبی LSTM به جهت توانمندی بالا در آموزش داده‌ها و وزن‌های مناسب به این داده‌ها و خلق مسیری که با سرعت و دقت نتایج قابل‌قبولی جهت پیش‌بینی ارزش‌گذاری معاملات بلوکی دارد.اصالت / ارزش‌افزوده علمی: در مدل ارائه شده با اندازه‌گیری ارزش‌گذاری معاملات بلوکی، قیمت این معاملات، اثرات اطلاعات و نقدینگی معاملات با اندازه‌بزرگ را واپایش خواهیم نمود. پرونده مقاله

دسترسی آزاد مقاله

154 - Smart car system: automobile driver's stress recognition with artificial neural networks
Mahtab Vaezi Mehdi Nasri Farhad Azimifar

Nowadays, the world needs safe and smart machines that can prevent human errors in different situations. Stress is an important factor in accidents which causes the human error. Many accidents can be prevented by identifying the stress of the driver and warning them. Du چکیده کامل

Nowadays, the world needs safe and smart machines that can prevent human errors in different situations. Stress is an important factor in accidents which causes the human error. Many accidents can be prevented by identifying the stress of the driver and warning them. Due to its complexity, identifying stress in drivers is only possible by intelligent algorithms. In this paper, the Electrocardiogram (ECG) signal from drivedb dataset is used to detect stress in drivers, which has useful information that can be recorded more easily while driving. Afterwards, with a set of statistical, entropy, morphology, and chaos features, useful information is extracted from the signal. Then, in order to optimize the features, the Relief feature selector is used. Optimal features information is evaluated using Artificial Neural Networks (ANNs). Using the proposed method, the stress in drivers is detected with an accuracy of 92.6%, which has increased classification accuracy compared to recent researches. پرونده مقاله

دسترسی آزاد مقاله

155 - Identification of Crack Location and Depth in a Structure by GMDH- type Neural Networks and ANFIS
منصور درویزه نادر نریمانزاده علی ملیحی دیزگاه مهدی جوادزاده رضا انصاری

The Existence of crack in a structure leads to local flexibility and changes the stiffness and dynamic behavior of the structure. The dynamic behavior of the cracked structure depends on the depth and the location of the crack. Hence, the changes in the dynamic behavior چکیده کامل

The Existence of crack in a structure leads to local flexibility and changes the stiffness and dynamic behavior of the structure. The dynamic behavior of the cracked structure depends on the depth and the location of the crack. Hence, the changes in the dynamic behavior in the structure due to the crack can be used for identifying the location and depth of the crack. In this study the first three natural eigenfrequencies of a cantilever beam having a transverse open crack have been computed for 10 different depths and 30 different locations by the finite element method. These natural eigenfrequencies have been used as input data for GMDH-type neural networks and adaptive neuro-fuzzy inference system, ANFIS, for crack location and depth modeling. پرونده مقاله

دسترسی آزاد مقاله

156 - بکارگیری شبکه های عصبی مصنوعی جهت برآورد ارزش آفرینی راهبردی شرکت ها از طریق کارایی نسبی در صنعت خودرو
اکبر ولیزاده اوغانی ناصر فقهی فرهمند فرزین مدرس خیابانی مجید باقرزاده

این تحقیق با هدف بررسی تاثیر کارایی نسبی شرکت ها بر ارزش آفرینی راهبردی در صنعت خودروی پذیرفته‌شده در بورس اوراق بهادار تهران انجام شده است. داده ها از صورت های مالی شرکت های انتخابی در دوره زمانی 1391-1395 استخراج شده است. ابتدا با اجرای مدل تحلیل پوششی داده ها با یک ا چکیده کامل

این تحقیق با هدف بررسی تاثیر کارایی نسبی شرکت ها بر ارزش آفرینی راهبردی در صنعت خودروی پذیرفته‌شده در بورس اوراق بهادار تهران انجام شده است. داده ها از صورت های مالی شرکت های انتخابی در دوره زمانی 1391-1395 استخراج شده است. ابتدا با اجرای مدل تحلیل پوششی داده ها با یک الگوی بومی شده، کارایی نسبی برای هر شرکت مشخص شد. سپس ارزش آفرینی راهبردی شرکت ها از متوسط حاصل عواملی مانند بازده حقوق صاحبان سهام، نسبت Q توبین، بازده سرمایه گذاری ها و خلق ثروت برای سهامداران اندازه گیری شد. مدل شبکه عصبی به‌کار گرفته شده در این تحقیق، پرسپترون چندلایه‌ای با الگوی آموزش پس انتشار خطا بوده است. نتایج نشان می دهد که اجرای مدل شبکه عصبی مصنوعی در صنعت خودرو، ارزش آفرینی راهبردی شرکت ها را از روی شاخص کارایی نسبی و دیگر متغیرهای ورودی تا حد مناسبی تبیین می کند. با وجود اینکه برخی از شرکت ها مثل سرمایه گذاری رنا، فنرسازی خاور، سایپا دیزل، گروه بهمن و چرخشگر کارا هستند، اما در سال های اخیر به‌طور متوسط صنعت خودرو از کارایی مناسبی برخوردار نبوده است. در عین‌ حال شرکت ها در این صنعت تا حدودی توانسته‌اند برای سهامداران و مالکان خود به‌صورت راهبردی ایجاد ارزش نمایند پرونده مقاله

دسترسی آزاد مقاله

157 - Predict the success of students in math’s course in final exams in Arak city with neural networks
Maryam Sadat Abbas Toloie Ashlaghi Reza Radfar

One very significant issues in most educational systems, the question is educational achievement levels of students in exams. The educational system is one of the most important indicators of education performance and evaluation of teaching and the learning is the fact چکیده کامل

One very significant issues in most educational systems, the question is educational achievement levels of students in exams. The educational system is one of the most important indicators of education performance and evaluation of teaching and the learning is the fact that the performance of the system output in each year. The method of the research is descriptive-survey. The research community of the study is the third grade secondary school’ students of Arak city. The study sample was 192 students in the 1389-1392 timeframe. The factors affecting the success of students in the final exams at the high school was identified and then offered the artificial neural network model to predict the success of students in examinations. The results showed the selective model of MLP with three layers (input, hidden and output) respectively with (6-3-1) neurons and the estimated accuracy was (95.249). پرونده مقاله

دسترسی آزاد مقاله

158 - The Application of Combined Fuzzy Clustering Model and Neural Networks to Measure Valuably of Bank Customers
Raheleh Nasiri Sharifi Maryam Rastgarpour

Currently, acquisition of resources in banks is subject to attraction of the resources of banking customers. Meanwhile, the Bank’s valuable customers are one of the best resources to make profit for banks. Several different models are introduced for evaluation of چکیده کامل

Currently, acquisition of resources in banks is subject to attraction of the resources of banking customers. Meanwhile, the Bank’s valuable customers are one of the best resources to make profit for banks. Several different models are introduced for evaluation of profitability of the customers; but most of them are classical models and they are unable to evaluate the customers in complete and optimized manner. In this way, the conditions are ready to enter artificial intelligence to this scope. In this study, we tried to design an intellectual system for identification of valuable customers of Bank. Such a model is capable of reasoning and explaining the expert system together with adaptation and learning capability of neural network at the same time. Expertise is added to it through data mining. As a result, evaluating the proposed model is done through transaction data of the customer, and accuracy of 95.46 percent is gained. پرونده مقاله

دسترسی آزاد مقاله

159 - مصورسازی اثر توانمندسازها بر مدیریت دانش کتابداران دانشگاه های علوم پزشکی شهر تهران با استفاده از شبکه های عصبی خودسازمانده
لاله فروتن هاجر زارعی عصمت مومنی سید جواد مرتضوی امیری

پژوهش حاضر در پی سنجش تاثیر توانمندسازها بر مدیریت دانش کتابداران دانشگاه‌های علوم پزشکی شهر تهران با استفاده از شبکه‌های عصبی خودسازمانده است، و از نوع کاربردی به روش پیمایشی- تحلیلی است. جامعه پژوهش 195 نفر کتابدران دانشگاه های علوم پزشکی شهر تهران، با روش سرشماری کام چکیده کامل

پژوهش حاضر در پی سنجش تاثیر توانمندسازها بر مدیریت دانش کتابداران دانشگاه‌های علوم پزشکی شهر تهران با استفاده از شبکه‌های عصبی خودسازمانده است، و از نوع کاربردی به روش پیمایشی- تحلیلی است. جامعه پژوهش 195 نفر کتابدران دانشگاه های علوم پزشکی شهر تهران، با روش سرشماری کامل است. ابزار جمع آوری داده‌ها دو پرسشنامه بر اساس مدل‌های لی و چوی، و نانوکا و تاکه‌اوچی بود، و تجزیه و تحلیل داده‌ها با روش آمار توصیفی استنباطی، آزمون پیرسون، فیشر و شبکه عصبی خودسازمانده بود، که با کمک نرم افزارهای اس‌پی‌اس‌اس ، آموس ، و متلب انجام شد. یافته‌ها نشان داد که مقدار وزن اهمیت (شیب خط رگرسیون استاندارد شده) برابر با 55/0 است، و نشان دهنده 30% اثر بخشی توانمندسازها بر مدیریت دانش است، از دیدگاه شاخص‌های برازش ضریب همبستگی بین توانمندسازها و مدیریت دانش مثبت است. نتایج نشان‌داد که توانمندسازهای مدیریت دانش و تمام ابعاد آن رابطه مثبت، معنادار، و تاثیر مستقیم بر مدیریت دانش دارند، بصورتی که بعد پشتیبانی آی‌تی بیشترین، و بعد مهارت‌های تی شکل کمترین عامل تاثیرگذار هستند، و شبکه عصبی خودسازمانده نیز رابطه توامندسازها با مدیریت دانش را تایید کرده است. پرونده مقاله

فهرست مقالات Neural Networks

سکوی نشر دانش

پیوندهای سایت

مراکز مرتبط

پشتیبانی

صفحات رسمی