درخت حوزه‌های تخصصی

شبکه های عصبی و موضوعات مربوطه

فیلتر های جستجو: فیلتری انتخاب نشده است.
نمایش ۲۱ تا ۳۷ مورد از کل ۳۷ مورد.
۲۱.

برآورد بازارکار با استفاده از شبکه عصبی فازی

کلید واژه ها: اعداد فازی رگرسیون فازی بازارکار شبکه عصبی فازی

حوزه های تخصصی:
  1. حوزه‌های تخصصی اقتصاد اقتصاد خرد اقتصاد جمعیت و اقتصاد کار عرضه و تقاضای کار نیروی کار و اشتغال،اندازه و ساختار
  2. حوزه‌های تخصصی اقتصاد روش های ریاضی و کمی روش های آماری و اقتصادسنجی:موضوعات خاص شبکه های عصبی و موضوعات مربوطه
تعداد بازدید : 858 تعداد دانلود : 511
در این مقاله یک روش جدید بر اساس شبکه عصبی فازی برای برآورد ضرایب فازی یک تابع عرضه و تقاضای نیروی کار با ورودی ها و خروجی های فازی، ارایه می شود. در بازارکار میزان دستمزد افراد و تولید ناخالص داخلی به صورت کلمات مبهم و یا فازی می باشند بنابراین لازم است این داده ها توسط رگرسیون فازی برآورد گردند و ضرایب این رگرسیون توسط شبکه عصبی فازی صورت می گیرد. برای تقریب پارامتر ها، یک الگوریتم درنظر گرفته می شود که این کار توسط شبکه عصبی صورت می پذیرد. در انتها به بررسی و براورد تابع عرضه و تقاضای فازی بازارکار ایران می پردازیم. همچنین توانایی روش مذکور را با روش های موجود مورد بررسی قرار خواهیم داد و مشخص شد که توانایی پیش بینی این روش از روش کاو و تاناکا برتری دارد.
۲۲.

پیش بینی نرخ تورم در اقتصاد ایران با استفاده از شبکه های عصبی مصنوعی پویا (دیدگاه سری زمانی)(مقاله علمی وزارت علوم)

کلید واژه ها: نرخ تورم شبکه های عصبی مصنوعی پویا پیش بینی نظریه اقتصاد منطقه ای

حوزه های تخصصی:
  1. حوزه‌های تخصصی اقتصاد اقتصاد کلان و اقتصاد پولی قیمت ها،نوسانات تجاری،دورهای تجاری سطح عمومی قیمت ها،تورم
  2. حوزه‌های تخصصی اقتصاد روش های ریاضی و کمی روش های آماری و اقتصادسنجی:موضوعات خاص شبکه های عصبی و موضوعات مربوطه
تعداد بازدید : 208 تعداد دانلود : 526
پیش بینی روند تورم برای تنظیم سیاست اقتصادی از اهمیت به سزایی برخوردار است. این نیاز موجب توجه جدی به کاربرد مدل های مختلف برای پیش بینی نرخ تورم شده است؛ و بدین منظور مدل های پیش بینی گوناگونی در رقابت با یکدیگر توسعه یافته اند. در این مقاله شبکه های عصبی مصنوعی پویا برای پیش بینی نرخ تورم به صورت شبکه های چند لایه و با استفاده از داده های متغیرهای مورد نیاز طی دوره 86-1338 و بر اساس دیدگاه تورم سری زمانی به کمک الگوریتم های مختلفی از روش آموزش پس انتشار خطا طراحی شده اند. ارزیابی شبکه های طراحی شده برای تعیین بهترین شبکه، بر مبنای مقدار خطای پیش بینی انجام گردیده است. یافته های تحقیق نشان داد که بهترین شبکه ها، شبکه هایی هستند که با الگوریتم یادگیری لونبرگ - مارکوارت آموزش داده شوند؛ توابع فعال ساز لایه میانی آنها غیر خطی و توابع فعال ساز لایه ی خروجی آنها خطی باشد و تعداد نرون های هر لایه آنها به صورت بهینه انتخاب شود. با توجه به این شبکه، نرخ تورم در دوره 91-1387 از 21.99 تا 10.59 درصد پیش بینی می شود
۲۳.

پیش بینی قیمت آمونیاک با رویکرد تحلیل های بنیادین، تکنیکی و شبکه عصبی(مقاله علمی وزارت علوم)

کلید واژه ها: پیش بینی تحلیل تکنیکی شبکه عصبی GMDH قیمت آمونیاک قیمت گاز طبیعی تحلیل بنیادین

حوزه های تخصصی:
  1. حوزه‌های تخصصی اقتصاد اقتصاد بخشی،اقتصاد صنعتی،کشاورزی،انرژی،منابع طبیعی،محیط زیست اقتصاد صنعتی ساختار بازار،استراتژِ بنگاه و عملکرد بازار تولید،قیمت گذاری و ساختار بازار،توزیع سایز بنگاه ها در بازار
  2. حوزه‌های تخصصی اقتصاد روش های ریاضی و کمی روش های آماری و اقتصادسنجی:موضوعات خاص شبکه های عصبی و موضوعات مربوطه
تعداد بازدید : 864 تعداد دانلود : 153
با توجه به اهمیت پیش بینی در حوزه مسایل مالی و اقتصادی محققان همواره در تلاشند که از روش های دقیق تری در این زمینه بهره بگیرند تا به درک نسبی بهتری از وضعیت آینده بازار دست یافته، از نااطمینانی ها بکاهند. در این مقاله از شبکه عصبی GMDH مبتنی بر الگوریتم ژنتیک به عنوان ابزاری با قابلیت بالا در مدل سازی سیستم های غیر خطی پویای پیچیده، برای پیش بینی قیمت آمونیاک استفاده شده است. برای اتنخاب متغیرهای اثرگذار بر قیمت آمونیاک از دو روش تحلیل بنیادین و تکنیکی استفاده شده است. روش تحلیل بنیادین با تکیه بر تئوری عرضه و تقاضا و نگرش کلان اقتصادی، همه عوامل اثرگذار احتمالی بر قیمت را برای مدل سازی و پیش بینی قیمت به محقق پیشنهاد می کند، سپس با تکیه بر توانایی الگوریتم GMDH در شناسایی متغیرهای زاید، از میان همه عوامل اثرگذار احتمالی تنها از عناصر اثرگذارتر بر قیمت آمونیاک استفاده شده است تا پیش بینی های دقیق تر و بدون تورشی ارایه شود. دقت پیش بینی های انجام شده در بازه مورد بررسی بیش از 99 درصد است. در روش تحلیل تکنیکی، پیش بینی ها با تکیه بر رفتار گذشته قیمت در همان بازار (در اینجا آمونیاک خاورمیانه) نتایج دقیقی را به دست داده است. برتری شبکه عصبی GMDH در دقت پیش بینی قیمت آمونیاک نسبت به روش ARIMA در بخش پایانی مورد تایید قرار گرفته است.
۲۴.

بهبود مدل سازی شبکه های عصبی در پیش بینی نرخ ارز، با به کارگیری شاخص های تلاطم(مقاله علمی وزارت علوم)

کلید واژه ها: نرخ ارز پیش بینی شبکه عصبی شاخص تلاطم

حوزه های تخصصی:
تعداد بازدید : 730 تعداد دانلود : 827
این مقاله بر نقش شاخص های تلاطم در بهبود روش شبکه های عصبی برای پیش بینی روزانه دو نرخ ارز دلار و پوند در برابر یورو در بازار ارز تاکید دارد. بدین منظور دو شاخص واریانس و گارچ را به عنوان شاخص های تلاطم نرخ ارز به تفکیک در نظر گرفته و به دو طریق در مدل مورد استفاده قرار می دهیم. بار اول وقفه آن را به وقفه های نرخ ارز اضافه می کنیم و بار دیگر شاخص تلاطم را سطح بندی کرده و با دسته بندی مشاهدات براساس سطح تلاطم، مدل پیش بینی ویژه ای را برای هر دسته از مشاهدات می سازیم. نتایج نشان می دهد که مدل های سطوح بالای تلاطم، در مقایسه با مدل مبنا، قدرت پیش بینی نرخ ارز آتی را بهبود می دهند، اما در پیش بینی مدل های سطوح میانی و پایین تلاطم، بهبودی مشاهده نمی شود. بنابراین می توان گفت که در بازار ارز، تلاطم های پایین نرخ ارز برای عاملان اقتصادی خبر جدیدی نیست و در شکل دادن انتظارات برای پیش بینی نرخ ارز نقشی ندارد، در حالی که سطوح بالاتر تلاطم یک اطلاع جدید است.
۲۵.

کاربرد الگوریتم ژنتیک در ترکیب پیش بینی های تورم ١(مقاله علمی وزارت علوم)

نویسنده:

کلید واژه ها: الگوریتم ژنتیک بهینه یابی ترکیب پیش‎بینی ها

حوزه های تخصصی:
تعداد بازدید : 636 تعداد دانلود : 490
پیش‎بینی تورم به عنوان یکی از الزامات سیاست‎گذاری پولی در کشورهایی تبدیل شده است که مقامات پولی آن‎ها سیاست هدف‎گذاری تورم را تعقیب می کنند. چرا که به واسطه استقلال بانک مرکزی از سویی و واگذاری سیاست‎گذاری پولی به این نهاد و از سویی دیگر به واسطه این‎که به‎طور عمده سیاست‎گذاری پولی با وقفه بر روی تورم تاثیرگذار است، لذا مقام پولی می‎بایستی تصویر مناسبی نسبت به تورم آینده داشته باشد، تا با سیاست‎گذاری از قبل بتواند در مسیر هدف‎گذاری انجام رفته حرکت کند. در این بین، به‎واسطه محدودیت‎هایی که مدل‎های منفرد پیش‎بینی تورم به همراه دارند، از مدل‎های مختلفی در پیش‎بینی تورم استفاده می‎شود، که هر یک از جهاتی نسبت به دیگر مدل‎ها دارای نقاط قوت و ضعفی هستند. یکی از راه های استفاده از تمامی اطلاعات موجود در پیش بینی تورم، ترکیب مدل‎های مختلف پیش بینی است، که در گزارش حاضر از رویکرد ابتکاری الگوریتم ژنتیک، به منظور ترکیب نتایج پیش بینی تورم شش مدل برای چهار فصل سال 1386 استفاده شده است.
۲۶.

کاربرد شبکه های عصبی مصنوعی در زمان بندی معاملات سهام: با رویکرد تحلیل تکنیکی(مقاله علمی وزارت علوم)

کلید واژه ها: کلیدواژگان: شبکه های عصبی مصنوعی؛ تحلیل تکنیکی؛ روش خرید و نگهداری؛ زمان بندی معاملات سهام؛ شاخصهای تکنیکی

حوزه های تخصصی:
تعداد بازدید : 515 تعداد دانلود : 538
زمانبندی معاملات سهام مساله ای بسیار مهم و مشکل به دلیل پیچیدگی بازار سهام است. آنچه اهمیت دارد پیش بینی روند قیمت سهام است که هدف اصلی در مباحث تحلیل تکنیکی است. گرچه این امر به دلیل دخالت عوامل متعدد بازار و روابط بین آنها چندان آسان نیست. به نظر می رسد استفاده از ابزارها و الگوریتمهای محاسباتی پیچیده تر مانند شبکه های عصبی مصنوعی در مدلسازی فرآیندهای غیر خطی که منتج به قیمت و روند سهام می شوند، می تواند بسیار مفید باشد. در این پژوهش قابلیت شبکه های عصبی مصنوعی (ANN) برای ارتقای اثربخشی شاخصهای تحلیل تکنیکی در پیش بینی علائم روند قیمت سهام بررسی شده است. نتایج حاصل از مدلها، بر اساس نمونه ای شامل 50 شرکت از شرکتهای پذیرفته شده در بورس اوراق بهادار تهران، نشان داد که شبکه های عصبی مصنوعی از قابلیت پیش بینی علائم تغییر روند کوتاه مدت قیمت سهام در بازار اوراق بهادار تهران برخوردار است. در بازار صعودی پس از کسر هزینه های معاملاتی، تفاوت معنی داری بین بازده مدل شبکه های عصبی مصنوعی، روش خرید و نگهداری و پربازده ترین شاخصهای تکنیکی وجود ندارد. اما در بازار نزولی بازده مدل شبکه های عصبی مصنوعی از بازده روش خرید و نگهداری بیشتر است، هر چند در بازار نزولی شاخصهای روند (میانگین متحرک) بیشترین بازده را کسب نمودند.
۲۷.

بـهبود عملکرد پیش بیـنی های مالـی با ترکیـب مدلهـای خـطی و غیـرخـطی خودرگرسیون میانگین متحرک انباشته و شبکه های عصبی مصنوعی(مقاله علمی وزارت علوم)

کلید واژه ها: کلیدواژگان: بازارهای مالی؛ شبکه های عصبی مصنوعی (ANNs)؛ مدل های ترکیبی؛ مدلهای خودرگرسیون میانگین متحرک انباشته (ARIMA)؛ پیش بینی نرخ ارز

حوزه های تخصصی:
تعداد بازدید : 788 تعداد دانلود : 150
دقت پیش بینی از مهمترین عوامل مؤثر در انتخاب روش پیش بینی است. امروزه به رغم وجود روشهای متعدد پیش بینی، هنوز پیش بینی دقیق مالی کار چندان ساده ای نبوده و اکثر محققان درصدد بکارگیری و ترکیب روشهای متفاوت به منظور حصول نتایج دقیق تر می باشند. در حالت کلی انتخاب مؤثرترین روش به منظور پیش بینی، کار بسیار دشواری می باشد. بسیاری از محققان روشهای خطی و غیرخطی را به منظور حصول نتایج دقیق تر با یکدیگر ترکیب کرده اند چرا که اولاً در عمل تعیین خطی و غیرخطی بودن یک سری زمانی کار دشواری است ثانیاً سریهای زمانی دنیای واقع بندرت کاملاً خطی و یا غیرخطی هستند. مدلهای خودرگرسیون میانگین متحرک انباشته (ARIMA) و شبکه های عصبی مصنوعی(ANNs) به ترتیب از جمله دقیق ترین مدلهای خطی و غیرخطی در پیش بینی سریهای زمانی می باشند. در این مقاله به منظور بهره گیری از مزایای منحصر به فرد هر یک از روشهای مدل سازی خطی و غیرخطی و حصول نتایج دقیقتر، روش ترکیبی مدل های خودرگرسیون میانگین متحرک انباشتهو شبکه های عصبی مصنوعی به منظور پیش بینی های مالی پیشنهاد شده اند. مقایسه نتایج حاصله بیانگر آنست که مدل تلفیقی نسبت به مدلهای اریما (ARIMA) و شبکه های پرسپترون چندلایه (MLP) نتایج دقیقتری در پیش بینی نرخ ارز(یورو در مقابل ریال) ارائه نموده است.
۲۸.

بررسی مقایسه ای توان پیش بینی شبکه های عصبی مصنوعی با روش توقف زودهنگام و فرایند سری زمانی خودبازگشت در برآورد نرخ تورم(مقاله علمی وزارت علوم)

کلید واژه ها: تورم پیش بینی شبکه عصبی سری های زمانی انتخاب مدل

حوزه های تخصصی:
تعداد بازدید : 278
ین مقاله به بررسی مقایسه ای توان شبکه های عصبی مصنوعی و سری های زمانی خودبازگشت در پیش بینی ایستای نرخ تورم ایران می پردازد. در یک بررسی، با استفاده از 37 سال داده های تاریخی نرخ تورم ایران، مدل شبکه عصبی مصنوعی در پیش بینی آینده نزدیک در مقایسه با سری های زمانی خودبازگشت، به‎طور متوسط از عملکرد بهتری برخوردار است. در این بررسی، مزایای روش توقف زودهنگام در مرحله یادگیری شبکه عصبی برای پیش بینی سری های زمانی نشان داده شده است.
۲۹.

کاربرد مدلهای شبکه عصبی در پیش بینی ورشکستگی اقتصادی شرکتهای بازار بورس(مقاله علمی وزارت علوم)

کلید واژه ها: ورشکستگی پرسپترون مدلهای پیش بینی ورشکستگی مدل شبکه عصبی

حوزه های تخصصی:
  1. حوزه‌های تخصصی اقتصاد اقتصاد مالی حاکمیت و مالیه شرکتی ورشکستگی،انحلال
  2. حوزه‌های تخصصی اقتصاد روش های ریاضی و کمی روش های آماری و اقتصادسنجی:موضوعات خاص شبکه های عصبی و موضوعات مربوطه
تعداد بازدید : 120 تعداد دانلود : 222
یکی از پیشرفته ترین مدلهای پیش بینی کننده ورشکستگی، مدل «شبکه عصبی مصنوعی» است. مطابق نتایج تحقیق ساختار اصلی پرسپترون سه و چهار لایه برای پیش بینی ورشکستگی شرکتها به مدلهایی شبیه یکدیگر منتهی می شود که در این میان شبکه سه لایه از قدرت پیش بینی بیشتری نسبت به شبکه چهار لایه برخوردار است. این تحقیق نشان می دهد که «به کارگیری مدلهای مبتنی بر شبکه عصبی توانایی مدیریتهای مالی را برای مقابله با نوسانهای اقتصادی و ورشکستگی نسبت به مدلهای رقیب افزایش می دهد». پیش بینی ورشکستگی اقتصادی شرکتهای بازار بورس در سالهای 1385 و 1386 و ترسیم روند ورشکستگی این شرکتها در دورة 1369- 1386 از دیگر بخشهای این مقاله است. نتایج نشان می دهد که در سال 1385 تحت تأثیر سیاستهای شفاف سازی روند ورشکستگی اقتصادی شرکتها به طور چشمگیری افزایش خواهد یافت که با سازگارشدن شرکتها با شرایط جدید، تا حدی این روند در سال 1386 تعدیل می شود.
۳۰.

بررسی مقایسه ای توان شبکه های عصبی با ورودی شاخص های تحلیل تکنیکی برای پیش بینی قیمت سهام(مقاله علمی وزارت علوم)

حوزه های تخصصی:
تعداد بازدید : 65
مهمترین مساله برای سرمایه گذاران فعال در بازار سرمایه، پیش بینی قیمت سهام می باشد. هدف اصلی این مطالعه نیز بررسی کاربردپذیری پیش بینی قیمت سهام به وسیله شاخص های تحلیل تکنیکی با استفاده از شبکه های عصبی و مقایسه این روش با سایر روش های پیش بینی از جمله شبکه عصبی استفاده کننده از قیمت سهام و مدل های ARIMA می باشد. در این تحقیق قیمت سهام ده روز آینده چهل شرکت فعال در بورس اوراق بهادار تهران با استفاده از سه روش مختلف پیش بینی می شود. در روش اول با استفاده از یک شبکه عصبی پیش خور تک لایه با الگوریتم یادگیری لونبرگ - مارکوات و معیار عملکرد میانگین مربعات خطا با ورودی ارزش بازار، قیمت پیش بینی می شود. سپس علاوه بر ورودی ارزش بازار، میانگین های متحرک پنج، ده و بیست روزه و ROC و RSI دوازده روزه نیز به عنوان ورودی به شبکه معرفی گردید و پیش بینی صورت گرفت. قیمت سهام با استفاده از مدل های ARIMA نیز برای کلیه شرکت های پیش بینی شد. با استفاده از تحلیل واریانس سه روش مختلف پیش بینی با یکدیگر مقایسه گردیدند. از آنجا که در مورد سی شرکت پیش بینی قیمت توسط مدل های ARIMA به طور معنی داری نسبت به مدل های شبکه عصبی نتایج بهتری ارایه نموده است می توان اظهار داشت که مدل های خطی - ARIMA بهتر از مدل های غیر خطی، شبکه های عصبی - توانسته اند پیچیدگی های سری های زمانی قیمت سهام را تجزیه و تحلیل نموده و برای پیش بینی قیمت سهام مورد استفاده قرار گیرند.
۳۱.

مطالعه تطبیقی روش های خطی ARIMA و غیر خطی شبکه های عصبی فازی در پیش بینی تقاضای اشتراک گاز شهری(مقاله علمی وزارت علوم)

کلید واژه ها: پیش بینی منطق فازی تقاضا شبکه های عصبی روش های غیر خطی گاز شهری

حوزه های تخصصی:
تعداد بازدید : 674 تعداد دانلود : 82
اطلاع از میزان تقاضای موجود در هر دوره یکی از مباحثی است که شرکت ملی گاز در راه پاسخگویی به مراجعان به آن نیاز دارد. عدم اطلاع از میزان تقاضای اشتراک سبب ایجاد مشکلاتی مانند عدم آگاهی از تعداد پیمانکاران مورد نیاز و همچنین فقدان برنامه کنترل موجودی مناسب برای انواع کنتورهای مورد نیاز و دیگر عوامل مرتبط می شود. در چند دهه گذشته، اقتصاددانان و علمای مدیریت برای برآورد تقاضا اغلب از روش های اقتصادسنجی استفاده کرده اند. امروزه از بین روش های پیش بینی، شبکه های عصبی مصنوعی و مدل های فازی در بسیاری از زمینه های کاربردی استفاده شده اند که هر کدام از آنها دارای محاسن و معایبی هستند. بنابراین، ترکیب موفقیت آمیز این دو روش، مدل سازی شبکه های عصبی مصنوعی و فازی، با اتکا به ترکیب قدرت یادگیری شبکه های عصبی و عملکرد منطقی سیستم های فازی تبدیل به ابزار بسیار قدرتمندی شده که هم اکنون کاربردهای گوناگونی دارند. در این تحقیق، تقاضای اشتراک گاز شهری خانگی شهر تهران با استفاده از روش خطی ARIMA و روش غیرخطی شبکه های عصبی فازی بررسی شده و از لحاظ شش معیار ارزیابی عملکرد با یکدیگر مقایسه شده اند. نتایج تحقیق بیان گر این حقیقت است که برای پیش بینی تقاضای اشتراک گاز شهری، شبکه های عصبی فازی در تمامی شش معیار ارزیابی عملکرد، بر روش ARIMA برتری داشته، بنابراین مناسب تر است.
۳۴.

ارزیابی روش های پیش بینی ترکیبی : با رویکرد شبکه های عصبی - کلاسیک در حوزه اقتصاد(مقاله علمی وزارت علوم)

کلید واژه ها: شبکه های عصبی مصنوعی رگرسیون چند متغیره پیش بینى سریهای زمانى پیش بینى ترکیبی

حوزه های تخصصی:
تعداد بازدید : 298 تعداد دانلود : 840
در إین مقاله با استفاده از اطلاعات سرى زمانى قیمت و بازده سهام چند شرکت در بازار بورس تهران، به پیش بینى قیمت سهام و نیر ارائه مدل بهینه پرداخته مى شود. روشهاى پیش بینى مورد استفاده در تحقیق، به سه دسته تقسیم شده اند: ر و شهاى پیش بینى براساس مدلهاى خطى (کوتاه مدت و بلندمدت)، روشهاى پیش بینى براساس مدلهاى غیرخطى (شبکه هاى عصبى غیرخطى) و مدل شبکه عصبى با ساختار پیشنهادى. در هر مورد نتایج به دست آمده رسم شده اند. با استفاده از پیش پردازش هاى اشاره شده، نشان داده مى شودکه قیمت و بازده سهام (در هر 6 سهم مربوط به صنابع مختلف) از نگاشهاى پیچیده غیر خطى و آشوبگرانه به وجود آمده اند و اساسآ استفاده از انواع مختلف روشهاى خطى صحیح نمى باشد. همچنین نشان داده مى شودکه استفاده از روشهاى غیرخطى شبکه هاى عصبى به خودى خود و به شکل متعارف بهبود قابل ملاحظه اى را به دنبال ندارد. با ارائه پیشنهاد ساختار جدید، مى توان قیمت و بازده را به خوبى در دو حالت پیش بینى روز بعد و پیش بینى سى روز بعد تخمین زد.
۳۵.

کاربردهای شبکه های عصبی در پیش بینی سری های زمانی(مقاله علمی وزارت علوم)

کلید واژه ها: شبکه های عصبی سری زمانی نرم افزارMATLAB

حوزه های تخصصی:
تعداد بازدید : 458 تعداد دانلود : 706
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.
۳۶.

طراحی سیستم کنترل بهینه انطباقی با استفاده از هوش مصنوعی (مورد مطالعه: خط پلایشگاه قطران)(مقاله علمی وزارت علوم)

پالایش نتایج جستجو

تعداد نتایج در یک صفحه:

درجه علمی

مجله

سال

زبان