Support Vector Regression

دسترسی آزاد مقاله

1 - ارزیابی عملکرد روش‌های مدل درختی M5 و رگرسیون بردار پشتیبان در مدل‌سازی رسوب معلق رودخانه
محمدتقی ستاری علی رضازاده جودی فروغ صفدری فراز قهرمانیان

همواره پدیده انتقال رسوب، بسیاری از سازه‌‌های رودخانه‌‌ای و سازه‌های عمرانی را تحت تاثیر قرار داده و عدم اطلاع از میزان دقیق آن خسارات بسیاری را موجب می‌شود. از این جهت برآورد صحیح بار رسوبی در رودخانه‌ها از نقطه نظر رسوب، فرسایش و کنترل سیلاب بسیار حایز اهمیت است. در ا چکیده کامل

همواره پدیده انتقال رسوب، بسیاری از سازه‌‌های رودخانه‌‌ای و سازه‌های عمرانی را تحت تاثیر قرار داده و عدم اطلاع از میزان دقیق آن خسارات بسیاری را موجب می‌شود. از این جهت برآورد صحیح بار رسوبی در رودخانه‌ها از نقطه نظر رسوب، فرسایش و کنترل سیلاب بسیار حایز اهمیت است. در این تحقیق، از دو روش نوین داده‌کاوی شامل مدل درختی M5 و رگرسیون بردار پشتیبان برای برآورد بار رسوبی معلق رودخانه اهرچای در مقایسه با روش کلاسیک منحنی سنجه رسوب استفاده گردید. جهت ارزیابی عملکرد روش‌های استفاده شده از سه آماره شامل ‌‌ضریب همبستگی، جذر میانگین مربعات خطا و میانگین خطای مطلق استفاده گردید. با انجام تحلیل حساسیت مدل‌ها به متغیر ورودی مشخص گردید، متغیر دبی جریان در ماه جاری دارای بیشترین تاثیر بر روی میزان بار رسوبی معلق می‌باشد. در حالت کلی نتایج بدست آمده بیانگر دقت بسیار بالای روش‌های داده‌کاوی نسبت به منحنی سنجه رسوب می‌باشد. اگرچه هر دو روش داده‌کاوی بررسی شده دقت بیشتر و خطای کمتری نسبت به روش متداول منحنی سنجه رسوب داشته‌اند، اما با توجه به روابط خطی ساده و قابل فهم ارائه شده توسط مدل درختی M5، کاربرد این روش کارآمد در موارد مشابه توصیه می‌گردد. پرونده مقاله

دسترسی آزاد مقاله

2 - مدلسازی رواناب ماهانه با استفاده از روشهای داده کاوی براساس الگوریتم های انتخاب ویژگی
محمدتقی ستاری علی رضازاده جودی

باتوجه به اهمیت مقدار جریان خروجی از حوضه آبریز جهت مدیریت آب های سطحی، فهم دقیق ارتباط بین مقدار رواناب با پارامترهای اقلیمی همچون بارش و دما و شناسائی موثرترین پارامتر در فرآیند مدل سازی بسیار مهم می‌باشد. در این تحقیق پس از آزمون همگنی داده‌های بارش، دما و رواناب ماه چکیده کامل

باتوجه به اهمیت مقدار جریان خروجی از حوضه آبریز جهت مدیریت آب های سطحی، فهم دقیق ارتباط بین مقدار رواناب با پارامترهای اقلیمی همچون بارش و دما و شناسائی موثرترین پارامتر در فرآیند مدل سازی بسیار مهم می‌باشد. در این تحقیق پس از آزمون همگنی داده‌های بارش، دما و رواناب ماهانه حوضه آبریز ناورود، ابتدا براساس دو الگوریتم رلیف و همبستگی دو ترکیب مختلف از پارامترهای موثر در رواناب مورد توجه قرار گرفت. الگوریتم جدید رلیف با استفاده از میانگین بردار وزنی مرتبط بین داده‌ها و یک مقدار آستانه، ویژگی‌های موثر در بین یک مجموعه از داده‌ها را به ویژه در شرایطی که تعداد داده‌ها کم باشد، به ترتیب اهمیت شناسایی می‌کند. سپس با استفاده از دو روش رگرسیون بردار پشتیبان و نزدیک‌ترین همسایگی رواناب ماهانه مبتنی بر دو ترکیب ورودی پیشنهادی مدل سازی گردید. نتایج به‌دست آمده نشان داد، روش رگرسیون بردار پشتیبان با بهره گیری از تابع کرنل شعاع محور نسبت به روش نزدیک‌ترین همسایگی از دقت بالا و خطای کمتری در برآورد رواناب به خصوص در مقادیر جریان‌های سیلابی برخوردار است. پرونده مقاله

دسترسی آزاد مقاله

3 - کاربرد مدل هیبریدARIMA و رگرسیون بردار پشتیبان جهت بهبود پیش‌بینی سری زمانی
لاله پرویز بهاره سعید آبادی

بررسی دقیق ساختار اصلی سری زمانی نقش مهمی در افزایش دقت پیش‌بینی مدل ARIMA دارد. هدف این تحقیق بررسی تاثیر جداسازی مدلسازی بخش خطی و غیر‌خطی سری زمانی در نتایج مدل ARIMA است. تفکیک مدلسازی سری‌های عملکرد محصول گندم و ذرت دانه‌ای (استان‌های کرمانشاه و اصفهان) در بخش خطی چکیده کامل

بررسی دقیق ساختار اصلی سری زمانی نقش مهمی در افزایش دقت پیش‌بینی مدل ARIMA دارد. هدف این تحقیق بررسی تاثیر جداسازی مدلسازی بخش خطی و غیر‌خطی سری زمانی در نتایج مدل ARIMA است. تفکیک مدلسازی سری‌های عملکرد محصول گندم و ذرت دانه‌ای (استان‌های کرمانشاه و اصفهان) در بخش خطی مربوط به مدل ARIMA بود و در بخش غیرخطی با رگرسیون بردار پشتیبان انجام گرفت(مدل هیبرید). نتایج مدلسازی می‌تواند تحت تاثیر نوع ترکیب مورد استفاده بخش غیر خطی در مدل هیبرید تغییر یابد، به‌عنوان نمونه در سری زمانی ذرت دانه‌ای در استان کرمانشاه مقدار RMSE در ترکیبی فقط با باقی‌مانده‌ها 52/1 و در ترکیبی با سری زمانی 03/15 برآورد شد. در سری زمانی گندم در استان اصفهان با مدل هیبرید میزان کاهش آماره‌های RMSE،MAE و UII به‌ترتیب برابر با 94/45، 29/52 و 46 درصد بود که بیانگر بهبود نتایج با مدل هیبرید و تفکیک مدلسازی بخش خطی و غیر‌خطی سری زمانی است. مقادیر GMER در هر چهار سری زمانی بزرگتر از یک بودند که حاکی از بیش‌برآورد مقادیر پیش‌بینی شده مدل هیبرید می‌باشد. مقایسه متوسط مقادیر آماره‌ها در دو استان حاکی از تاثیر نوع اقلیم در مبحث مدلسازی است چرا که متوسط مقادیر هر آماره در هر دو مدل ( ARIMA و هیبرید) و در هر دو محصول در استان اصفهان نسبت به کرمانشاه کاهش داشت (میزان کاهش RMSE و UII به ترتیب 72‌/24 و 24/12 درصد). بنابراین تفکیک مدلسازی بخش خطی و غیر‌خطی می‌تواند دقت نتایج مدل ARIMA را افزایش دهد. پرونده مقاله

دسترسی آزاد مقاله

4 - بررسی رطوبت سطح خاک شهرستان اردبیل با استفاده داده‌های ماهواره‌ای لندست 8 و سنتیل 1
صیاد اصغری سراسکانرود فریبا اسنفدیاری درآباد الهام ملانوری شیوا صفری

10.30495/wsrcj.2022.20006

زمینه و هدف: رطوبت سطحی خاک، متغیری مهم در چرخه آبی طبیعت بوده و می‌تواند تحت تأثیر عوامل مختلفی از جمله دما و مشخصات خاک قرار گیرد. استفاده از سنسوهای زمین برای اندازه‌گیری رطوبت خاک منجر به‌صرف زمان و توزیع نامناسب نمونه‌ها در مقیاس‌های بزرگ شود بنابراین سنجش‌ازدوری م چکیده کامل

زمینه و هدف: رطوبت سطحی خاک، متغیری مهم در چرخه آبی طبیعت بوده و می‌تواند تحت تأثیر عوامل مختلفی از جمله دما و مشخصات خاک قرار گیرد. استفاده از سنسوهای زمین برای اندازه‌گیری رطوبت خاک منجر به‌صرف زمان و توزیع نامناسب نمونه‌ها در مقیاس‌های بزرگ شود بنابراین سنجش‌ازدوری می‌تواند ابزار مهمی در برآورد رطوبت خاک باشد. هدف پژوهش حاضر استفاده از مدل TOTRAM با استفاده از تصاویر لندست 8 و روش SVR با استفاده از تصاویر سنتیل1 برای برآورد رطوبت خاک می‌باشد.روش پژوهش: شهرستان اردبیل به‌عنوان مرکز استان اردبیل در شمال غرب کشور واقع است. در مطالعه حاضر برای استخراج رطوبت خاک از دو روش TOTRAM بر مبنای توزیع پیکسل در فضای LST-VI و روش SVR با استفاده از تکنیک SAR و داده سنتینل 1 استفاده شده است. جهت پیاده‌سازی روش TOTRAM تصاویر لندست 8 مرتبط با تاریخ‌های 29/4/1398 و 30/05/1398 دانلود و پس از استخراج نقشه‌های NDVI و LST، اقدام به بررسی همبستگی بین متغیر وابسته رطوبت و متغیرهای مستقل دما و پوشش‌ گیاهی با استفاده از رگرسیون وزن‌دار جغرافیایی (GWR) شده است. برای اجرای روش SVR پس از دستیابی به تصاویر سنتینل 1 مربوط به تاریخ‌های 31/05/1398 و 27/04/1398، داده‌های رطوبت خاک محصول FLDAS و محصول 500 متری سالانه ماهواره مودیس (MCD12Q1) جهت طبقه‌بندی پوشش اراضی در سامانه Google Earth engine فراخوانی شدند و نقشه‌های مرتبط با رطوبت خاک استخراج شد. پس از استخراج نقشه‌های رطوبت نحوه‌ی توزیع رطوبت با استفاده از شاخص محلی موران بررسی شده است. بر طبق تعریف این شاخص مقادیر مثبت یک برای این شاخص نشان دهنده‌ی خوشه‌ای بودن توزیع خواهد بود.یافته‌ها: بررسی نقشه رطوبت حاصل از روش SVR تمرکز رطوبت در مناطقی با حضور پوشش گیاهی و آب را نشان داد و تغییر وضعیت رطوبت از تیر به مرداد قابل مشاهده بوده است. الگوی رطوبت انعکاس الگوی بارشی را نشان داده است به‌طوری‌که حداکثر بارش و رطوبت در فروردین بوده و در تابستان هر دو مؤلفه‌ی بارش و رطوبت کاهش داشته‌اند. بررسی روش TOTRAM و اعمال روش GWR همبستگی کامل NDVI-LST و رطوبت را نشان داد. البته همبستگی بین LST و رطوبت با مقادیر (بتا) B و خطای استاندارد (SE) 995/0 و صفر متناسب با مرداد و 981/0 و صفر متناسب با تیرماه بیشترین همبستگی را نسبت به متغیر پوشش‌گیاهی با پارامتر وابسته‌ی رطوبت نشان داده است که این همبستگی در مرداد ماه با افزایش مقدار ضریب تعیین R2 به 997/0 و کاهش معنی‌داری NDVI به مقدار 415/0 در تیرماه به‌مراتب بیشتر شده است. اعمال شاخص محلی موران با مقادیر کمتر از 0.05 برایp-value و مقادیر مثبت z و عدد نزدیک مثبت یک برای شاخص موران خوشه‌ای بودن توزیع متغیر رطوبت را نشان داده است.نتایج: بررسی نتایج روش‌های TOTRAM و SVR وابستگی وضعیت رطوبت خاک به شرایط و خوشه‌ای بودن توزیع رطوبت را نشان داد. با توجه به ضرایب همبستگی حاصل از رگرسیون وزن‌دار جغرافیایی همبستگی بیشتری بین متغیر دما و رطوبت به‌ویژه در مرداد ماه به دلیل کاهش تراکم پوشش گیاهی مشاهده ‌شده است. بررسی نقشه‌های الگوریتم SVR نشان داد در مناطقی با حضور پوشش گیاهی و بخصوص تراکم آن شاهد افزایش و با افزایش دما شاهد کاهش رطوبت هستیم. همچنین هماهنگی الگوی‌های رطوبت الگوریتم SVR و بارش رابطه مستقیم بین رطوبت و بارش را نشان داد. با توجه به اینکه روش SVR از تصاویر سنتینل 1 و پارامترهایی نظیر شدت پراکنش رادار و طبقه‌بندی پوشش اراضی استفاده می&lrm;کند می‌توان انتظار نتایج دقیق‌تری از این الگوریتم داشت. پرونده مقاله

دسترسی آزاد مقاله

5 - اثر بهینه سازی کرنل در مدلسازی پدیده خشکسالی با بهره‌گیری از هوش محاسباتی (مطالعه موردی: شهر سنندج)
جهانبخش محمدی علیرضا وفایی نژاد سعید بهزادی حسین آقامحمدی امیر هومن حمصی

10.30495/girs.2023.688408

خشک‌سالی یکی از مهم‌ترین بلایای طبیعی است که اثرات مخرب و زیان‌باری در زمینه‌های مختلف اقتصادی، اجتماعی و زیست‌محیطی به‌جای می‌گذارد. با توجه به رفتار تکرارشوندگی این پدیده، در صورت عدم اجرای راهکارهای مناسب، آثار مخرب آن تا سال‌ها پس از وقوع می‌تواند در منطقه باقی بمان چکیده کامل

خشک‌سالی یکی از مهم‌ترین بلایای طبیعی است که اثرات مخرب و زیان‌باری در زمینه‌های مختلف اقتصادی، اجتماعی و زیست‌محیطی به‌جای می‌گذارد. با توجه به رفتار تکرارشوندگی این پدیده، در صورت عدم اجرای راهکارهای مناسب، آثار مخرب آن تا سال‌ها پس از وقوع می‌تواند در منطقه باقی بماند. اکثر بحران‌های طبیعی از قبیل سیل، زلزله، طوفان و رانش زمین در دوره‌ای کوتاه ممکن است خسارات سنگین مالی و جانی به جامعه وارد کنند، اما خشک‌سالی ماهیت آرام و خزشی دارد و آثار مخرب آن به‌تدریج و در مدت طولانی‌تری ظاهر می‌شود. ازاین‌رو با مدل‌سازی خشک‌سالی می‌توان طرح‌هایی جهت آماده‌سازی در مقابل خشک‌سالی و کاهش خسارات ناشی از آن ارائه کرد. در این پژوهش از الگوریتم‌های هوش محاسباتی شبکه عصبی پرسپترون چندلایه (Multi-Layer Perceptron)، شبکه عصبی رگرسیونی تعمیم‌یافته (Generalized Regression Neural Network)، رگرسیون بردار پشتیبان با کرنل گوسین (Support Vector Regression) و رگرسیون بردار پشتیبان با کرنل پیشنهادی (Support Vector Regression New kernel) جهت مدل‌سازی خشک‌سالی با در نظر گرفتن شاخص استانداردشده بارش Standardized Precipitation Index) ( استفاده شده است. نتایج مدل‌سازی‌ها در اغلب حالات بیانگر کارایی بهتر مدل پیشنهادی SVR_N نسبت به دیگر مدل‌ها بود که در SPI 48 ماهه بهترین دقت مدل‌سازی حاصل گردید و مقدار RMSE و R2 به ترتیب برابر 093/0 و 991/0 به دست آمد. همچنین مدل‌های GRNN، MLP و SVR به ترتیب بعد از SVR_N کارایی بهتری در مدل‌سازی از خود نشان دادند. نتایج این تحقیق بیانگر اهمیت انتخاب و بهینه‌سازی کرنل بر رفتار مدل‌سازی پدیده خشک‌سالی در مدل‌سازی به روش رگرسیون بردار پشتیبان است. پرونده مقاله

دسترسی آزاد مقاله

6 - مقایسه روش ماشین بردار پشتیبان خطی و غیرخطی با رگرسیون خطی جهت پیش‌بینی کوتاه‌مدت پارامتر طول صف و حجم ورودی رویکرد تقاطع جهت کنترل تطبیقی چراغ‌‌‌های راهنمایی منفرد
محمد علی کوشان مقدم مهدی فلاح تفتی

این مطالعه به منظور توسعه سیستم‌‌‌های کنترل چراغ راهنمایی با رویکرد تطبیقی جهت کنترل بهتر ترافیک در تقاطعات صورت گرفته است. در این رویکرد اگر از داده‌های پیش‌بینی شده مربوط به سیکل‌های آینده به منظور بهینه‌سازی زمانبندی استفاده گردد، باعث کنترل ترافیک در موارد پیش‌بینی چکیده کامل

این مطالعه به منظور توسعه سیستم‌‌‌های کنترل چراغ راهنمایی با رویکرد تطبیقی جهت کنترل بهتر ترافیک در تقاطعات صورت گرفته است. در این رویکرد اگر از داده‌های پیش‌بینی شده مربوط به سیکل‌های آینده به منظور بهینه‌سازی زمانبندی استفاده گردد، باعث کنترل ترافیک در موارد پیش‌بینی نشده و مدیریت آن قبل از رسیدن به سیکل مورد نظر می‌شود. در این راستا از روش رگرسیون بردار پشتیبان به صورت خطی و غیرخطی برای پیش‌بینی پارامتر طول صف و حجم ورودی به یک رویکرد به عنوان دو متغیر اصلی مورد نیاز در فرآیند کنترل تطبیقی استفاده شد. برای داشتن داده کافی جهت ایجاد چنین مدلی به آماربرداری از دو تقاطع شهر یزد و شبیه‌سازی آن‌‌ها در نرم‌افزار شبیه‌ساز ایمسان پرداخته شد. سپس این تقاطع‌‌ها برای شرایط موجود کالیبره و اعتبارسنجی گردیدند. نتایج دقت پیش‌بینی به روش‌‌‌های پیشنهادی استخراج شده و با روش رگرسیون خطی مقایسه گردید. نتایج نشان دادند که رگرسیون بردار پشتیبان به صورت غیرخطی دارای عملکرد بهتری نسبت به هر دوی مدل پیشنهادی در حالت خطی و رگرسیون خطی است. دو روش رگرسیون بردار پشتیبان به صورت خطی و رگرسیون خطی عملکردی مشابه نشان دادند. پرونده مقاله

دسترسی آزاد مقاله

7 - Support Vector Regression Parameters Optimization using Golden Sine Algorithm and Its Application in Stock Market
Mohammadreza Ghanbari Mahdi Goldani

10.22034/amfa.2021.1936352.1623

Stock price prediction is one of the most important concerns of stockholders. This prediction, independent of the method which is used or the assumptions which are applied, is welcomed and trusted if it can guarantee a high fitting. So due to the high performance predic چکیده کامل

Stock price prediction is one of the most important concerns of stockholders. This prediction, independent of the method which is used or the assumptions which are applied, is welcomed and trusted if it can guarantee a high fitting. So due to the high performance prediction, using some complicated models as Machine Learning family such as Support Vector Regression (SVR) was recommended instead of older and lower performance approaches such as multiple discriminant technique. SVR model have achieved high performance on forecasting problems, however, its performance is highly dependent on the appropriate selection of SVR parameters. In this study, a novel GSA-SVR model based on Golden Sine Algorithm is presented. The performance of the proposed model is compared with eleven other meta-heuristic algorithms on some stocks from NASDAQ. The results indicate that the given model here is capable of optimizing the SVR parameters very well and indeed is one of the best models judged by both prediction performance accuracy and time consumption. پرونده مقاله

دسترسی آزاد مقاله

8 - A new two-phase approach to the portfolio optimization problem based on the prediction of stock price trends
Hamid Reza Yousefzade Amin Karrabi Aghileh Heydari

10.22034/amfa.2021.1937022.1622

Forming a portfolio of different stocks instead of buying a particular type of stock can reduce the potential loss of investing in the stock market. Although forming a portfolio based solely on past data is the main theme of various researches in this field, considering چکیده کامل

Forming a portfolio of different stocks instead of buying a particular type of stock can reduce the potential loss of investing in the stock market. Although forming a portfolio based solely on past data is the main theme of various researches in this field, considering a portfolio of different stocks regardless of their future return can reduce the profits of investment. The aim of this paper is to introduce a new two-phase approach to forming an optimal portfolio using the predicted stock trend pat-tern. In the first phase, we use the Hurst exponent as a filter to identify stable stocks and then, we use a meta-heuristic algorithm such as the support vector regression algorithm to predict stable stock price trends. In the next phase, according to the predicted price trend of each stock having a positive return, we start arranging the portfolio based on the type of stock and the percentage of allocated capacity of the total portfolio to that stock. To this end, we use the multi-objective particle swarm optimization algorithm to determine the optimal portfolios as well as the optimal weights corresponding to each stock. The sample, which was selected using the systematic removal method, consists of active firms listed on the Tehran Stock Ex-change from 2018 to 2020. Experimental results, obtained from a portfolio based on the prediction of stock price trends, indicate that our suggested approach outperforms the retrospective approaches in approximating the actual efficient frontier of the problem, in terms of both diversity and convergence. پرونده مقاله

دسترسی آزاد مقاله

9 - Image Resolution Increasing using Segmentation
Zahra Ghanbari Vahid Ghods

Increasing the image resolution is very important and is used in various fields such as medicine, photography, and machine vision. It is possible to see more details of the image and analyze it better by increasing the image resolution. However, increasing the image res چکیده کامل

Increasing the image resolution is very important and is used in various fields such as medicine, photography, and machine vision. It is possible to see more details of the image and analyze it better by increasing the image resolution. However, increasing the image resolution has also been associated with some challenges. Increase in noise, increase in artificial details, and high processing time are among the typical challenges. In addition, interaction with image complexities such as images with repetitive patterns and non-textured noises creates other challenges either. Image is divided into smaller parts using segmentation. Then, the images are combined with each other using the support vector regression algorithm and new images are created. A multi-stage process has been used to increase the image quality in this research and the pre-processing operation has been carried out in the first stage in order to improve the image quality. Three phases of training, testing, and parameter adjustment have been used after the pre-processing operation in order to increase the image quality. In the training section, the images are first converted to lower levels, and the color segmentation operation takes place at the lower levels. After the image classification operation in terms of color, the gradient is used to extract the image properties. The support vector regression algorithm was used to predict the image pixels, and this algorithm was improved by a meta-heuristic algorithm called whale algorithm. Evaluation parameters including PSNR and SSIM criteria have been used in this research that yielded promising results. پرونده مقاله

دسترسی آزاد مقاله

10 - Modeling and forecasting US presidential election using learning algorithms
Mohammad Zolghadr Seyed Armin Akhavan Niaki S. T. A. Niaki

The primary objective of this research is to obtain an accurate forecasting model for the US presidential election. To identify a reliable model, artificial neural networks (ANN) and support vector regression (SVR) models are compared based on some specified performance چکیده کامل

The primary objective of this research is to obtain an accurate forecasting model for the US presidential election. To identify a reliable model, artificial neural networks (ANN) and support vector regression (SVR) models are compared based on some specified performance measures. Moreover, six independent variables such as GDP, unemployment rate, the president’s approval rate, and others are considered in a stepwise regression to identify significant variables. The president’s approval rate is identified as the most significant variable, based on which eight other variables are identified and considered in the model development. Preprocessing methods are applied to prepare the data for the learning algorithms. The proposed procedure significantly increases the accuracy of the model by 50%. The learning algorithms (ANN and SVR) proved to be superior to linear regression based on each method’s calculated performance measures. The SVR model is identified as the most accurate model among the other models as this model successfully predicted the outcome of the election in the last three elections (2004, 2008, and 2012). The proposed approach significantly increases the accuracy of the forecast. پرونده مقاله

دسترسی آزاد مقاله

11 - مدل بهینه سازی سبد سرمایه‌گذاری مبتنی بر پیش‌بینی با استفاده از رگرسیون بردار پشتیبان
محمدامین منادی امیرعباس نجفی

هدف از بهینه‌سازی سبد سرمایه‌گذاری، انتخاب ترکیبی بهینه از دارایی‌های مالی است که می‌بایست راهنمای سرمایه‌گذاران برای دستیابی به بالاترین بازده در برابر کمترین ریسک ممکن باشد. از سوی دیگر، یکی از عوامل کلیدی در تصمیم‌گیری‌های سبد سرمایه‌گذاری مربوط به پیش بینی قیمت سهام چکیده کامل

هدف از بهینه‌سازی سبد سرمایه‌گذاری، انتخاب ترکیبی بهینه از دارایی‌های مالی است که می‌بایست راهنمای سرمایه‌گذاران برای دستیابی به بالاترین بازده در برابر کمترین ریسک ممکن باشد. از سوی دیگر، یکی از عوامل کلیدی در تصمیم‌گیری‌های سبد سرمایه‌گذاری مربوط به پیش بینی قیمت سهام است. برای این کار بطور متداول از مدل‌های کلاسیک غیرخطی ریاضی و هوشمند مانند رگرسیون استفاده می شود. در مطالعه حاضر برای کاهش خطاهای پیش‌بینی، از مدل غیرخطی رگرسیون بردار پشتیبان با خروجی‌های متعدد استفاده شده است. برای نشان دادن کارایی مدل پیشنهادی از داده‌های شرکت‌های شاخص S&P500 در دوره زمانی 12/09/2016 تا 02/08/2021 استفاده شده است. نتایج نشان می‌دهد که انتخاب سبد سهام مبتنی بر پیش‌بینی به کمک رگرسیون بردار پشتیبان با خروجی چندگانه به دلیل در نظر گرفتن روابط بین خروجی‌ها به صورت همزمان از نظر معیار شارپ، عملکرد بهتری نسبت به انتخاب سبد سرمایه‌گذاری بر اساس پیش‌بینی با استفاده از روش رگرسیون دارد. پرونده مقاله

دسترسی آزاد مقاله

12 - تشخیص خسارت در پل‌های بزرگ دهانه با وجود چند خسارت همزمان
محمد وحیدی آرمین عطیمی نژاد مریم فیروزی محمد هریسچیان

مقاله حاضر یک روش دومرحله‌ای قدرتمند برای تشخیص خسارت پل‌های بزرگ دهانه با مقاطع متغیر ارائه می‌نماید. پل‌ها یکی از زیرساخت‌های اساسی در حوزه حمل‌ونقل شهری و برون شهری بوده که تشخیص خسارت به موقع درطول بهره‌برداری آن حائز اهمیت می‌باشد. خسارت دراین دسته از سازه‌ها سبب ا چکیده کامل

مقاله حاضر یک روش دومرحله‌ای قدرتمند برای تشخیص خسارت پل‌های بزرگ دهانه با مقاطع متغیر ارائه می‌نماید. پل‌ها یکی از زیرساخت‌های اساسی در حوزه حمل‌ونقل شهری و برون شهری بوده که تشخیص خسارت به موقع درطول بهره‌برداری آن حائز اهمیت می‌باشد. خسارت دراین دسته از سازه‌ها سبب اختلال درخدمت‌رسانی درزمان بروزبلایای طبیعی‌خواهد شد. روش ارائه شده بر مبنای ترکیب المان محدود طیفی و شاخص خسارت انرژی کرنشی مودال و همچنین ترکیب الگوریتم ژنتیک و رگرسیون بردار پشتیبان برای تشخیص وتخمین میزان شدت‌خسارت می‌باشد. یکی ‌از روش‌های کارآمد درحوزه انتشار امواج روش المان‌ محدود طیفی ‌بوده که از قابلیت مدلسازی با انعطاف‌پذیری بالا و تشخیص خسارات ریز می‌باشد. روش‌های مبتنی بر ارتعاش بطور گسترده برای تشخیص خسارت سازه‌ها استفاده می‌گردد درحالیکه شاخص خسارت انرژی کرنشی مودال از حساسیت بالاتری در تشخیص خسارت در میان دیگر روش‌های مبتنی برارتعاش برخوردار است. مدل مورد تحقیق، پل‌کروچایلد درغرب کانادا می‌باشد که دارای ویژگی‌های خاصی از نظرهندسی و هم از مشخصات المان‌های سازه‌ای می‌باشد. در این تحقیق شاخص خسارت انرژی کرنشی مودال به علت تغییر مقطع در طول شاه‌تیر‌ها اصلاح گردیده است. همچنین از رگرسیون بردار پشتیبان به عنوان یک تکنیک قدرتمند در تخمین میزان شدت خسارت استفاده شده است. جهت افزایش دقت و بهبود روش تخمین میزان شدت خسارات از الگوریتم ژنتیک برای بهینه‌سازی پارامترهای مؤثر رگرسیون بردار پشتیبان استفاده می‌گردد. روش ترکیبی الگوریتم ژنتیک و رگرسیون بردار پشتیبان توانسته است به نحو مطلوبی شدت خسارات را تخمین بزند. پرونده مقاله

فهرست مقالات Support Vector Regression

سکوی نشر دانش

پیوندهای سایت

مراکز مرتبط

پشتیبانی

صفحات رسمی