آگاهی از وضعیت مالی شرکت های بازار سرمایه همیشه یکی از دغدغه های سهامداران و تحلیلگران اقتصادی است؛ از این رو تحلیل گران و محقیق بازار های مالی همیشه به دنبال روش هایی برای پیش بینی شرایط آتی شرکت های حاضر در بازار سرمایه بودند. تحقیق پیش رو نیز به دنبال ایجاد مدلی برای چکیده کامل
آگاهی از وضعیت مالی شرکت های بازار سرمایه همیشه یکی از دغدغه های سهامداران و تحلیلگران اقتصادی است؛ از این رو تحلیل گران و محقیق بازار های مالی همیشه به دنبال روش هایی برای پیش بینی شرایط آتی شرکت های حاضر در بازار سرمایه بودند. تحقیق پیش رو نیز به دنبال ایجاد مدلی برای پیش بینی ورشکستگی شرکت های حاضر در بازار بورس و اوراق بهادار با استفاده از شبکه عصبی مصنوعی است. در این تحقیق از نسبت های مالی زیمنسکی در کنار یک متغیر کلان اقتصادی برای پیش بینی ورشکستگی شرکت ها استفاده شده؛ جامعه آماری تحقیق از بین شرکت های پذیرفته شده در سازمان بورس و اوراق بهادار انتخاب شدند. نسبت های مالی از صورت های مالی شرکت ها در بازه زمانی پنج ساله، بین سال های 1389 تا 1393 استخراج شده، که در نهایت 84 شرکت انتخاب و به دو دسته شرکت های سالم و ورشکسته با نسبت های برابر تقسیم شدند. برای ایجاد مدل پیش بینی و تجزیه و تحلیل داده ها از شبکه عصبی پرسپترون چند لایه با استفاده از الگوریتم پس انتشار استفاده شده. شبکه یک بار تنها فقط با استفاده از نسبت های مالی و بار دیگر با اضافه شدن متغیر کلان اقتصادی تحت آموزش قرار گرفت تا در نهایت این فرضیه تائید شود که دقت شبکه با اضافه شدن متغیر کلان اقتصادی افزایش می یابد. در نهایت مدل طراحی شده در حالت کلی دارای دقتی 92.95 درصدی، و 85 درصد پیش بینی درست شرکت های ورشکسته برای یک سال قبل از ورشکستگی را دارد.
پرونده مقاله
Embryogenesis, regeneration and cell differentiation in microbiological entities are influenced by mechanical forces. Therefore, development of mechanical properties of these materials is important. Neural network technique is a useful method which can be used to obtain چکیده کامل
Embryogenesis, regeneration and cell differentiation in microbiological entities are influenced by mechanical forces. Therefore, development of mechanical properties of these materials is important. Neural network technique is a useful method which can be used to obtain cell deformation by the means of force-geometric deformation data or vice versa. Prior to insertion in the needle injection process, deformation and geometry of cell under external point-load is a key element to understand the interaction between cell and needle. In this paper, the goal is the prediction of cell membrane deformation under a certain force and to visually estimate the force of indentation on the membrane from membrane geometries. The neural network input and output parameters are associated to a three dimensional model without the assumption of the adherent affects. The neural network is modeled by applying error back propagation algorithm. In order to validate the strength of the developed neural network model, the results are compared with the experimental data on mouse oocyte and mouse embryos that are captured from literature. The results of the modeling match nicely the experimental findings.
پرونده مقاله
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
This study was conducted to investigate the prediction of growth performance using linear regression and artificial neural network (ANN) in broiler chicken. Artificial neural networks (ANNs) are powerful tools for modeling systems in a wide range of applications. The AN چکیده کامل
This study was conducted to investigate the prediction of growth performance using linear regression and artificial neural network (ANN) in broiler chicken. Artificial neural networks (ANNs) are powerful tools for modeling systems in a wide range of applications. The ANN model with a back propagation algorithm successfully learned the relationship between the inputs of metabolizable energy (kcal/kg) and crude protein (g/kg) and outputs of feed intake, weight gain and feed conversion ratio variables. High R2 and T values for the ANN model in comparison to linear regression revealed that the artificial neural network (ANN) is an efficient method for growth performance prediction in the starter period for broiler chickens. This study also focused on expanding the experiment with more levels of inputs to predict outputs the using best ANN model.
پرونده مقاله
سکوی نشر دانش
سند یا سکوی نشر دانش ،سامانه ای جهت مدیریت حوزه علمی و پژوهشی نشریات دانشگاه آزاد می باشد
