• فهرست مقالات SVM Algorithm

      • دسترسی آزاد مقاله

        1 - A CAD System Framework for the Automatic Diagnosis and Annotation of Histological and Bone Marrow Images
        Sara Rezaei
        Due to ever increasing of medical images data in the world’s medical centers and recent developments in hardware and technology of medical imaging, necessity of medical data software analysis is needed. Equipping medical science with intelligent tools in diagnosis چکیده کامل
        Due to ever increasing of medical images data in the world’s medical centers and recent developments in hardware and technology of medical imaging, necessity of medical data software analysis is needed. Equipping medical science with intelligent tools in diagnosis and treatment of illnesses has resulted in reduction of physicians’ errors and physical and financial damages. In this article we propose a computer – aided diagnosis system framework in order to automatic classification and annotation of histological and bone marrow images. The proposed method has been tested on two data set including cytological and histological images. Images context features are used to train support vector machine classifier and the accuracy of classifier is 96%. Results show that the proposed framework can be a software model in order to classify and annotate microscopic images in clinical routine functions. Due to ever increasing of medical images data in the world’s medical centers and recent developments in hardware and technology of medical imaging, necessity of medical data software analysis is needed. Equipping medical science with intelligent tools in diagnosis and treatment of illnesses has resulted in reduction of physicians’ errors and physical and financial damages. In this article we propose a computer – aided diagnosis system framework in order to automatic classification and annotation of histological and bone marrow images. پرونده مقاله
      • دسترسی آزاد مقاله

        2 - طراحی سیستم هوشمند خرید و فروش بر اساس مدلی مرکب از الگوریتم ماشین بردار پشتیبان و تئوری کانال روند
        شاپور محمدی سیدعلی موسوی سرحدی محمد نوری‌بخش
        پیش بینی قیمت آتی و به تبع آن کسب بازدهی بیشتر همواره یکی از مهمترین موضوعات در بازارهای مالی بوده است. از این رو در این پژوهش به طراحی سیستم هوشمند خرید و فروش بر اساس مدلی مرکب از الگوریتم ماشین بردار پشتیبان و تئوری کانال روند پرداخته شده است. برای رسیدن به این هدف، چکیده کامل
        پیش بینی قیمت آتی و به تبع آن کسب بازدهی بیشتر همواره یکی از مهمترین موضوعات در بازارهای مالی بوده است. از این رو در این پژوهش به طراحی سیستم هوشمند خرید و فروش بر اساس مدلی مرکب از الگوریتم ماشین بردار پشتیبان و تئوری کانال روند پرداخته شده است. برای رسیدن به این هدف، این پژوهش در چهار مرحله اصلی طراحی و اجرا گردیده است. در مرحله اول حدود کانال روند در بازه های زمانی مختلف استخراج گردیده و این حدود در مرحله دوم برای دوره آزمایش توسط الگوریتم ماشین بردار پشتیبان پیش بینی شده است. در مرحله سوم استراتژی های خرید و فروش در محدوده کانال پیش بینی شده در دوره آزمایش تعریف و اجرا شده و در مرحله چهارم بازدهی حاصل از سیستم طراحی شده با بازدهی حاصل از بکارگیری استراتژی خرید و نگهداری مقایسه شده اند. در مورد همه شاخص های انتخاب شده به عنوان نمونه پژوهش، عملکرد سیستم هوشمند خرید و فروش بر اساس مدلی مرکب از الگوریتم ماشین بردار پشتیبان و تئوری کانال روند از عملکرد استراتژی خرید و نگهداری بهتر بود. پرونده مقاله
      • دسترسی آزاد مقاله

        3 - پیش‌بینی قیمت سهام در بازار مالی با استفاده از الگوریتمهای ترکیبی GA-SVM
        امیدمهدی عبادتی محمدعلی جعفری نسیم داودی فر
        هدف مقاله حاضر پیش‌بینی قیمت سهام به‌وسیله الگوریتم ترکیبی GA-SV می‌باشد. پیش‌بینی سری‌های زمانی مانند پیش‌بینی قیمت سهام یکی از مهم‌ترین مشکلات در حوزه مالی است، زیرا داده‌ها ناپایدار بوده و دارای متغیرهای نویزی می‌باشند که تحت‌تأثیر عوامل زیادی قرار دارند. در شرایط وا چکیده کامل
        هدف مقاله حاضر پیش‌بینی قیمت سهام به‌وسیله الگوریتم ترکیبی GA-SV می‌باشد. پیش‌بینی سری‌های زمانی مانند پیش‌بینی قیمت سهام یکی از مهم‌ترین مشکلات در حوزه مالی است، زیرا داده‌ها ناپایدار بوده و دارای متغیرهای نویزی می‌باشند که تحت‌تأثیر عوامل زیادی قرار دارند. در شرایط واقعی نیز شناسایی حرکات سری زمانی شاخص قیمت سهام بسیار پیچیده می‌باشد؛ بنابراین استفاده از یک مدل کلاسیک به‌تنهایی نمی‌تواند پیش‌بینی دقیقی از شاخص‌های قیمت سهام داشته باشد. ازاین‌رو با به‌کارگیری روش‌های ترکیبی می‌توان عدم اطمینان در پیش‌بینی را کاهش داد. در پیش‌بینی قیمت سهام در بخش مالی بیش از 100 شاخص برای درک رفتار بازار سهام ایجاد شده است؛ بنابراین شناسایی شاخص‌های مناسب یک مشکل چالش‌برانگیز است. یکی از تکنیک‌هایی که اخیراً برای پیش‌بینی سریال مورد بررسی قرار گرفته است، رگرسیون پشتیبانی بردار (SVR) است. این مطالعه از الگوریتم ترکیبی GA-SVM برای پیش‌بینی شاخص قیمت سهام استفاده می‌کند. نتایج تجربی نشان می‌دهد که الگوریتم پیشنهادی جایگزین مناسب‌تر و امیدوار کننده‌تری برای پیش‌بینی بازار سهام فراهم می‌آورد. پرونده مقاله