امیدمهدی عبادتی

امروزه در زمینة مدیریت شهری، رباتیک، تولید بازی های رایانه ای و مانند آن، از ابرنقاط لیدار در استخراج عوارض شهری و سه بعدی سازی استفادة گسترده ای می شود. خوشه بندی و طبقه بندی نقاط ابری لیدار یکی از گام های اصلی برای رسیدن به مدلی سه بعدی به شمار می رود؛ بنابراین، یکی از اهداف این تحقیق را می توان ارزیابی کارآیی روش های طبقه بندی K اٌمین همسایگی نزدیک (KNN)، درخت تصمیم (DT)، بیز ساده (Naïve Bayes)، شبکة عصبی مصنوعی (ANN)، ماشین بردار پشتیبان (SVM) و میدان تصادفی مارکوف (MRF) در طبقه بندی مجموعه دادة لیدار و تصاویر هوایی در محیط پیچیده شهری برشمرد. بدین منظور، داده هایی که ISPRS از شهر فایهینگن کشور آلمان فراهم آورده، به کار رفته است. سپس همة ویژگی های هندسی، مقادیر شدت ثبت شده از سوی لیدار، تصاویر هوایی و نیز ویژگی های استخراج شدة مبتنی بر مقادیر ویژه را استخراج و به منظور تشخیص پنج کلاس اشیای شهری شامل سطوح نفوذناپذیر، ساختمان، گیاهان کم ارتفاع، درخت و اتومبیل به کار برده است. برای محاسبة مقادیر ویژه به کمک توزیع محلی نقاط، در این مقاله، یک ساختار مکعبی جدید معرفی شده است که در تحقیقات گذشته دیده نشده بود. نتایج نهایی تکنیک های طبقه بندی به کاررفته در این تحقیق با استفاده از نقشه های رفرنس ISPRS ارزیابی شدند. نتایج ارزیابی این تحقیق نشان می دهد که مدل MRF با دقت کلی 88.08% و ضریب کاپای 0.83 کارآتر از دیگر طبقه بندی هاست. همچنین، ساختار مکعبی پیشنهادی را می توان، به خوبی ساختارهای کروی و استوانه ای، در استخراج ویژگی های مبتنی بر مقادیر ویژه به کار برد.

مجموعه داده های ابر نقاط لیدار و مدل های سه بعدی ( 3-D ) در استخراج عوارض شهری، مدیریت جنگل داری، شهری و گردشگری، رباتیک، تولید بازی های رایانه ای و موارد دیگر کاربرد گسترده ای دارد. از سویی، وجود نقاط پرت در ابر نقاط لیدار اجتناب ناپذیر است؛ بنابراین تشخیص نقاط پرت و حذف آن از ابر نقاط لیدار به منزله گامی ضروری در پردازش ابر نقاط لیدار شناخته شده است. طی دهه های گذشته، چندین تکنیک تشخیص نقاط پرت در منابع این موضوع معرفی شده است اما بیشتر آنها از نظر زمانی هزینه برند و به نیروی متخصص انسانی نیاز دارند. به منظور کاهش این محدودیت ها، این مقاله رویکرد خودکار جدیدی برای تشخیص نقاط پرت، با استفاده از تکنیک میدان تصادفی شرطی برپایه ماشین بردار پشتیبان ( SVM-CRF ) و روش نمودار جعبه ای، معرفی کرده است. رویکرد نمودار جعبه ای بردار انرژی خروجی SVM-CRF را برای تشخیص نقاط پرت تجزیه و تحلیل می کند. این روش به کمک مجموعه داده محک ISPRS که برای مجموعه داده وهینگن، با هدف طبقه بندی سه بعدی و بازسازی سه بعدی ساختمان ایجاد شده بود، ارزیابی شد. به منظور ارزیابی این روش، ابتدا نقاط پرتی به صورت دستی به مجموعه داده افزوده شد؛ با این تمرکز که این نقاط جزء نقاط پرت چسبیده به اشیا باشند. سپس مراحل تحقیق برای ارزیابی توانایی روش پیشنهادی در تشخیص نقاط پرت انجام شد. نتایج این تحقیق عملکرد مدل پیشنهادی را با دقت کلی 62% نشان داد. اگرچه الگوریتم RANSAC عملکردی بهتر از مدل پیشنهادی دارد، تکنیک زمان بر و پرهزینه تری در مقایسه با تکنیک تشخیص نقاط پرت پیشنهادی است.

انرژی یکی از صنایع پر طرفدار در دنیا می باشد و از اهمیت مهمی بر خورد ار می باشد. در عصر حاضر فناوری ها و رشته های مختلفی از جمله فناوری اطلاعات، بازدهی صنعت انرژی را افزایش داده است. در اکوسیستم کنونی مدیریت انرژی، سهم اینترنت اشیا (IoT) به شبکه های هو شمند، به علت امتیازات چند گانه آن در زمینه های متفاوت، توان بالقوه ای به دست آورده است. بر اساس سیساستهای کلی علم وفناوری و دستیابی به علوم و فناوری پیشرفته در این حوزه، نیازمند ارائه راهبرد برای بازاریابی در بخش انرژی و با نگاه به فناوریهای نو احساس می گردد. بنابراین در پژوهش پیش رو تلاش شد تا راهکاری برای بهره وری بیشتر انرژی بر اساس این سیستها پیشنهاد شود. ارزیابی وضعیت موجود بازاریابی شبکه هوشمند انرژی و ارائه الگوی دلخواه برای بهره وری انرژی می باشدکه منظور از مدل بهینه مناسب ترین استراتژی های بازاریابی می باشد. دراین پژوهش قابلیت ها و محدودیت های راهبرد های کلان توسعه مبتنی بر ایترنت اشیا (تحت عنوان نقاط قوت، ضعف، فرصت و تهدید) به طور کلان و راهبردی بررسی شده است. این پژوهش با بهره گیری از SWOT مدون سازی شده و با کمک مدل QSPM کامل شده است. همچنین در پایان یک راهبرد کلان دفاعی برای استفاده از اینترنت اشیا در بخش انرژی به عنوان نتیجه پژوهش ارائه گردیدکه به کمک آن می توان از اینترنت اشیا در صنایع راهبردی انرژی استفاده کرد.

بانک ها برای پیشگیری از زیان های ناشی از ریسک اعتباری به دلیل عدم بازپرداخت اقساط تسهیلات بانکی، به اعتبارسنجی مشتریان خود می پردازند. بانک های توسعه ای به دلیل اعطای تسهیلات با شرایط تسهیل شده در نرخ، وثیقه و بازه زمانی بلندمدت تسهیلات صرفاً بر اساس میزان سرمایه در گردش موردنیاز مشتریان، به آن ها تسهیلات اعطا می کنند. این موضوع باعث می شود تا برخی از مشتریان اقداماتی را در صورت های مالی و سایر داده های خود صورت دهند که بتوانند از تسهیلات بیشتر از نیاز خود برخوردار شوند. هدف پژوهش حاضر، بررسی آثار این نوع تقلب بر مدل های اعتبارسنجی و ایجاد یک مدل اعتبارسنجی پایدار و حساس به تقلب است. جامعه آماری این پژوهش شامل شرکت هایی است که به منظور اخذ تسهیلات به شعب بانک توسعه صادرات مراجعه کرده اند. متغیرهای این پژوهش شامل 55 متغیر مالی و غیرمالی است که بر اساس آن ها مدل اعتبارسنجی ایجادشده و به کارگرفته شده است. ابتدا شرکت هایی که احتمالاً در صورت های مالی دست کاری احتمالی در سرمایه در گردش داشتند، شناسایی و برچسب گذاری شدند و درنهایت با استفاده از ترکیبی از روش های داده کاوی و گزارش شاخص های ارزیابی عملکرد به بررسی آثار این نوع تقلب بر مدل های اعتبارسنجی پرداخته شد تا بتوان به مدل بهینه و پایدار یک بانک توسعه ای دست یافت.

پیشینه و اهداف: صنعت بیمه تأثیر بسیار زیادی بر پویایی و پیشرفت اقتصاد در کشورها دارد. نفوذ فناوری ها در ساختار سازمان های بیمه گر، ماهیت کسب وکار بیمه را متحول کرده است. در این پژوهش سعی شده است با کمک بوم کسب و کار، عوامل مؤثر اینشورتک بر بلوک های بوم کسب و کار که مدل تجاری شرکت های بیمه را تشکیل می دهند، و همچنین تأثیرگذاری و تأثیرپذیری این عوامل بررسی شود. روش شناسی: در این پژوهش پس از بررسی ادبیات، عوامل مؤثر اینشورتک بر بوم کسب و کار صنعت بیمه جمع آوری و به صورت پرسش نامه در اختیار خبرگان قرار گرفت. جامعه آماری پژوهش را مدیران فناوری اطلاعات و مدیران تحقیق و توسعه صنعت بیمه و خبرگان صنعت بیمه که با فناوری بیمه در ارتباط اند، تشکیل می دهد. در این راستا پرسش نامه نظرخواهی از خبرگان توسط 15 خبره این حوزه تکمیل شد. پس از بررسی پاسخ خبرگان به پرسش نامه، 26 زیرمعیار مؤثر بر بوم کسب و کار صنعت بیمه تعیین شد. سپس پرسش نامه دنپ توسط 8 خبره صنعت بیمه تکمیل شد و با استفاده از ترکیب روش های فرایند تحلیل شبکه ای و دیمتل، عوامل مؤثر شناسایی و رتبه بندی گردید. یافته ها: براساس نتایج حاصل از روش تحلیل دیمتل معیارهای منابع کلیدی، فعالیت های کلیدی، مشتری مداری، بخش های مشتریان و کانال ها از معیارهای تأثیرگذار هستند. همچنین معیارهای جریان درآمدی، شرکای کلیدی، ارزش پیشنهادی و ساختار هزینه ها معیارهای تأثیرپذیر می باشند. نتایج حاصل از روش تحلیل شبکه ای نشان داده است که در سطح معیارهای اصلی، معیار شرکای کلیدی با وزن 0.206 رتبه اول، ارزش پیشنهادی با وزن 0.192 رتبه دوم، ساختار هزینه ها با وزن 0.185 رتبه سوم، منابع کلیدی با وزن 0.125 رتبه چهارم، مشتری مداری با وزن 0.099 رتبه پنجم، فعالیت های کلیدی با وزن 0.097 رتبه ششم، کانال ها با وزن 0.044 رتبه هفتم، جریان درآمدی با وزن 0.037 رتبه هشتم و بخش های مشتریان با وزن 0.015 رتبه نهم را کسب کرده اند. نتیجه گیری: شرکت های بیمه برای بهره گیری از فرصت های اینشورتک باید بوم کسب وکار خود را به روز کنند. مدیران شرکت های بیمه باید بیشترین توجه خود را به شرکای کلیدی شرکت در درجه اول و پس از آن به ارزش پیشنهادی و ساختار هزینه ها معطوف کنند.