محمدرضا اصغری اسکویی

محمدرضا اصغری اسکویی

مطالب

فیلتر های جستجو: فیلتری انتخاب نشده است.
نمایش ۱ تا ۴ مورد از کل ۴ مورد.
۱.

تأثیر مؤلفه اعتماد چندوجهی در تخمین امتیاز کالا برای سیستم های توصیه گر

کلید واژه ها: سیستم های توصیه گر اعتماد چندوجهی مدل تخمین گر پایه پالایش همکارانه

حوزه های تخصصی:
  1. حوزه‌های تخصصی مدیریت گروههای ویژه مدیریت رسانه مدیریت رسانه
  2. حوزه‌های تخصصی مدیریت مدیریت دانش و IT مدیریت فناوری اطلاعات
تعداد بازدید : ۲۹۱ تعداد دانلود : ۵۶۴
با توجه به حجم عظیم اطلاعات در اینترنت، کاربران برای انتخاب کالا و خدمات موردپسند خود با گزینه های زیادی مواجه هستند. سیستم های توصیه گر با توجه به اطلاعات ثبت شده از انتخاب کاربران، افرادمرتبط یا مورداعتماد آن ها و نیز کالاهای انتخاب شده، مدلی را استخراج نموده و ضمن تخمین امتیاز کالاها، آنها را جهت توصیه به کاربر، اولویت بندی می نمایند. رویکرد مبتنی بر اعتماد، از شبکه اعتماد بین افراد برای تخمین امتیاز کالا استفاده می نماید. از آنجا که سطح اعتماد در زمینه های تخصصی متفاوت است، مقوله اعتماد در وجوه مختلف مورد توجه پژوهشگران قرارگرفته است. این مقاله مدل مبتنی بر اعتماد چندوجهی برای تخمین امتیاز کالا ارائه می دهد که در آن کاربران و کالاها با توجه به میزان تعلق به هر وجه و نیز سطح اعتماد در آن وجه در نظر گرفته می شوند. تحلیل مجموعه داده های Epinions نشان می دهد پراکندگی فاصله انتخاب افراد درون یک شبکه اعتماد چندوجهی به صورت معناداری کمتر از توزیع آنها در یک شبکه عام اعتماد است. درادامه عملکرد مدل پایه و مدل مبتنی بر تشابه نیز با  دو حالت عام و چندوجهی بررسی و مقایسه شده است. ارزیابی مدل ها بر اساس میانگین توان دو خطای تخمین و با تفکیک داده های Epinions به دو گروه آموزش و آزمون و همچنین روش تصدیق متقابل انجام گرفته است. نتایج نشان می دهد با در نظر گرفتن مولفه اعتماد به صورت چندوجهی، خطای تخمین به طور متوسط 20% کاهش یافته و عملکرد سیستم توصیه گر به صورت محسوسی ارتقاء می یابد
۲.

کاربرد یادگیری تقویتی در یک مدل سازی عامل محور برای بازار عمده فروشی برق ایران

تعداد بازدید : ۱۲۹ تعداد دانلود : ۶۱
مطالعات اخیر بازارهای عمده فروشی برق عموماً براساس مدل های چندعاملی است، که در آن ها تعادل بازار برپایه رقابت و تعامل عوامل متعدد با یک دیگر به دست می آید. از ویژگی های اصلی این نوع مدل ها، امکان یادگیری عوامل از نتایج رفتار خود و سایرین دریک محیط رقابتی است. در بازار عمده فروشی برق، هرعامل یک واحد تولیدکننده برق است که به صورت مستقل و هوشمند با سایر عامل ها برای عرضه برق با قیمت های پیشنهادی رقابت می کند. فرآیند قیمت گذاری را می توان یک بازی ایستا فرض نمود که هرروز تکرار می شود. در این بازی هر عامل قیمت پیشنهادی خود را مستقلا اعلام نموده و بهره بردار با توجه به تقاضای بار مصرفی و محدودیت ها، بهترین پیشنهادها را انتخاب می نماید. عامل به صورت عقلائی عمل نموده و با انتخاب استراتژی مناسب، به دنبال بیشینه نمودن سود بلندمدت خود است. در این راستا، عامل از قدرت یادگیری و بهبود استراتژی قیمت گذاری، که نقش بسیار تعیین کننده در موفقیت عامل دارد، استفاده می کند. یادگیری تقویتی یک روش کلاسیک است که در مدل های چندعاملی امکان یادگیری مبتنی بر سعی و خطا را فراهم می نماید. هدف این مقاله کاربرد و مطالعه روش های یادگیری تقویتی در مدل چندعاملی بازار برق ایران و مقایسه آن ها با دو استراتژی تصادفی و حریصانه است. در این مطالعه، میزان سود واحدها و زمان رسیدن به حالت تعادل به عنوان ملاک ارزیابی در نظر گرفته شده است. نتایج شبیه سازی نشان می دهد، استراتژی یادگیرنده سود عامل ها را به طور معناداری افزایش می دهد و سرعت همگرائی به حالت تعادل را بیشتر می کند.
۳.

کاربرد روش پنجره لغزان برای انتخاب ساختار شبکه عصبی با تاخیر زمانی در پیش بینی سری های زمانی مالی

کلید واژه ها: پیش بینی سری زمانی شبکه عصبی با تاخیر زمانی پنجره لغزان معیار خطا پیش بینی

حوزه های تخصصی:
تعداد بازدید : ۶۳۴ تعداد دانلود : ۲۵۰
شبکه عصبی با تاخیر زمانی، یک ابزار مدل سازی برگرفته از محاسبات هوشمند است که در کنار روش های کلاسیک برای پیش بینی سری های زمانی مالی بکار گرفته می شود. این مدل اغلب در مواردی که از سری زمانی داده های فراوان، اما از ساختار مدل اطلاعات محدود وجود دارد، استفاده می شود، از این رو انتخاب ساختار و ارزیابی آن خود یک چالش است.در این مقاله یک مدل مبتنی بر شبکه عصبی با تاخیر زمانی برای پیش بینی معیارهای مالی بازار سهام ارائه شده و روش پنجره لغزان برای ارزیابی عملکرد پیش بینی کننده، بکار برده شده است. در این مقاله انتخاب ساختار مناسب شبکه، تعداد عملگرهای تاخیری، تعداد بهینه داده های پیشین و پسین و معیار کمّی مناسب برای ارزیابی عملکرد پیش بینی کننده، مورد مطالعه قرار گرفته است. عملکرد این مدل روی شاخص قیمت سهام چهار بنگاه بزرگ اقتصادی در بازار سهام لندن مورد بررسی قرار گرفته است. نتایج به دست آمده، نشان می دهد با روش پیشنهادی، می توان ساختاری انتخاب کرد که متوسط درصد خطا، متوسط مجذور مربعات خطا و معیار رگرسیون خطی خروجی شبکه در حد قابل توجهی کاهش می یابد.
۴.

کاربردهای شبکه های عصبی در پیش بینی سری های زمانی

کلید واژه ها: شبکه های عصبی سری زمانی نرم افزارMATLAB

حوزه های تخصصی:
تعداد بازدید : ۵۴۹۹ تعداد دانلود : ۲۶۰۹
استفاده از روش های غیر کلاسیک در شناسایی مدل و پیش بینی رفتار سیستم های پیچیده، مدتهاست در محافل علمی و حتی حرفه ای متداول و معمول شده است. در بسیاری از سیستم های پیچیده و خصوصا غیر خطی که مدل سازی و به دنبال آن پیش بینی و کنترل آنها از طریق روش های کلاسیک و تحلیلی امری بسیار دشوار و حتی بعضا غیر ممکن می نماید، از روش های غیر کلاسیک که از ویژگی هایی همچون هوشمندی، مبتنی بر معرفت و خبرگی برخوردار هستند، استفاده می شود. شبکه های عصبی، یکی از این روش های بدیع و در حال تحول است که در موضوعات متنوعی از قبیل الگوسازی، شناخت الگو، خوشه بندی و پیش بینی به کار رفته و نتایج مفیدی داشته است. در این مقاله، از شبکه های عصبی در پیش بینی سری های زمانی داده های اقتصادی استفاده کرده ایم. در این رابطه عوامل مختلف ساختاری، روش های مختلف یادگیری شبکه های عصبی و انتخاب و کاربرد مناسب داده ها در فرایند پیش بینی، مورد ارزیابی و بررسی قرار گرفته است. در این پژوهش، از ابزارهای محاسباتی نرم افزار MATLAB و داده های اقتصادی کشور استفاده شده است.

کلیدواژه‌های مرتبط

پدیدآورندگان همکار

تبلیغات

پالایش نتایج جستجو

تعداد نتایج در یک صفحه:

درجه علمی

مجله

سال

حوزه تخصصی

زبان