مطالب مرتبط با کلید واژه " شبکه های عصبی مصنوعی "


۱.

طراحی مدل پیش‌بینی ترکیبی در صنعت نفت (مدل سیستم های خبره تصمیم‌ گیرنده)

کلید واژه ها: ایرانرگرسیون چند متغیرهشبکه های عصبی مصنوعیصنعت نفتسیستم های خبرهسریهای زمانیپیش بینی ترکیبی

حوزه های تخصصی:
تعداد بازدید : ۷۷۰
پیش بینی های مختلف مسایل اقتصادی متکی به روش های اقتصادسنجی می باشد و توان بالای این مدل ها در برآورد معادلات خاص منجر به استفاده وسیع از این مدل ها شده است. از حدود دو دهه قبل روش های ترکیبی در پیش بینی مطرح شده است و در این تحقیق، رویکرد پیش بینی ترکیبی در مدل های اقتصادی مورد بررسی و تجزیه و تحلیل قرار گرفته است. رویکرد مذکور به خاطر توان بالایی که در کاهش میزان خطای نتایج پیش بینی دارد، در مسایل مختلف مالی و اقتصادی و بازرگانی به کار گرفته شده است. در این تحقیق سعی شده است با تأکید بر آخرین دستاوردها در حوزه مسایل پیش بینی ترکیبی، با استفاده از این رویکرد تا حد امکان خطاهای پیش بینی تقاضای نفت را کاهش داد. جهت مدلسازی ترکیبی، در ابتدا با استفاده از روش های مختلف، پیش بینی انجام شده است که در این مطالعه آنها روش های فردی نامیده شده اند. مدل های پیش بینی فردی مورد استفاده شامل روش های هموارسازی نمایی، تحلیل روند، باکس جنکینز، تحلیل های علّی و مدل شبکه عصبی می باشد.
۲.

مدل سازی پیش بینی قیمت سهام با رویکرد شبکه ‌های عصبی فازی

کلید واژه ها: پیش بینیمنطق فازیشبکه های عصبی مصنوعیقیمت سهامشبکه های عصبی فازی

حوزه های تخصصی:
تعداد بازدید : ۱۶۶۳
پیش بینی قیمت سهام در بورس اوراق بهادار از اهمیت خاصی برخوردار است، زیرا نشان دهنده وضعیت کلی مطلوب یا نامطلوب سرمایه گذاری برای سهامداران و سرمایه گذاران است. در میان روش های پیش بینی، شبکه های عصبی مصنوعی و منطق فازی در بسیاری از زمینه های کاربردی استفاده شده اند و هر کدام آن ها دارای محاسن و معایبی هستند. این مقاله به دنبال ترکیب تئوری استدلال فازی با روش شبکه های عصبی جهت بهبود دقت و سرعت همگرایی مدل پیش بینی است. بنابراین، یک مدل ترکیبی شبکه های عصبی و تئوری استدلال فازی بر اساس مدل استدلال تاکاگی سوگنو در نظر گرفته شده است.
۳.

تحلیل کارائی فنی پالایشگاه‌های نفت کشور با استفاده از مدل ترکیبی شبکه‌های عصبی وتحلیل پوششی داده‌ها(Neuro-DEA)

کلید واژه ها: تحلیل پوششی داده هاشبکه های عصبی مصنوعیکارایی فنیمدل ccrورودی محور

حوزه های تخصصی:
تعداد بازدید : ۷۴۳
ارزیابی عملکرد سازمانها از جمله مسائل مهم و ضروری است که در دهه های اخیر شیوه های زیادی در این خصوص مطرح شده است. یکی از تکنیکهایی که اخیراً مورد توجه قرار گرفته "تحلیل پوششی داده ها"[1] است که دارای مزایا و معایبی نیز هست. عمده ترین مشکل استفاده از این تکنیک، کم بودن تعداد واحدهای تصمیم گیرنده[2] در ارتباط با ورودی ها و خروجی ها می باشد. که این امر موجب کاهش قدرت تکفکیک پذیری مدل می گردد. در این مقاله به منظور رعف این اشکال و یک مدل تلفیقی از شبکه های عصبی مصنوعی تحلیل پوششی داده ها ارائه گردیده و برای اندازه گیری کارایی پالایشگاه های نفت کشور مورد استفاده قرار داده شده است،
۴.

پیش بینی بازده سهام در بورس اوراق بهادار تهران: مدل شبکه های عصبی مصنوعی و مدل چند عاملی

کلید واژه ها: پیش بینیبازده سهامشبکه های عصبی مصنوعیمدل چند عاملی

حوزه های تخصصی:
تعداد بازدید : ۷۲۲
ین تحقیق به پیش بینی پذیری رفتار بازده سهام در بورس اوراق بهادار بوسیله مدل خطی عاملی و شبکه های عصبی مصنوعی می پردازد. جهت آزمون این مساله، قیمت روزانه سهام شرکت توسعه صنایع بهشهر به عنوان نمونه انتخاب شده است. متغیرهای مستقل (ورودی های) تحقیق، پنج متغیر کلان اقتصادی، یعنی شاخص کل قیمت بورس تهران، نرخ ارز (دلار) در بازار آزاد، قیمت نفت، قیمت طلا می باشد. برای برازش مدل عاملی از رگرسیون خطی چند متغییره و برای مدل شبکه عصبی از معماری (MLP) با الگوریتم آموزش پس انتشار خطا استفاده شده است. نتایج حاصله حاکی از موفقیت این دو مدل در پیش بینی رفتار بازده سهام مورد نظر و همچنین برتری عملکرد شبکه های عصبی مصنوعی بر مدل چند عاملی می باشد.
۵.

مدل سازی و پیش بینی رشد اقتصادی در ایران با استفاده از شبکه های عصبی مصنوعی

کلید واژه ها: شبکه های عصبی مصنوعیپیش بینی رشد اقتصادی

حوزه های تخصصی:
تعداد بازدید : ۸۶۱ تعداد دانلود : ۸۵۷
شبکه های عصبی مصنوعی، یک ابزار قدرتمند برای تجزیه و تحلیل داده ها و مدل سازی روابط غیر خطی به حساب می آید که استفاده از آن طی سال های گذشته در اقتصاد کلان گسترش یافته است. در این مطالعه، کارایی یک مدل شبکه عصبی با یک مدل خطی رگرسیون برای پیش بینی نرخ رشد اقتصادی در ایران مقایسه می شود. برای این منظور ابتدا، یک مدل رگرسیون رشد برای دوره 1315-1373 برآورد شده و سپس با همان مجموعه رگرسورها (متغیرهای ورودی) یک مدل شبکه عصبی طراحی و تخمین زده می شود. پس از آن، با استفاده از معیارهای مرسوم ارزیابی مدل های رقیب، کارایی دو مدل فوق در زمینه پیش بینی نرخ رشد اقتصادی در ایران در دوره 1374-1380 مقایسه می شوند. نتایج نشان می دهد که مدل شبکه عصبی برای پیش بینی نرخ رشد اقتصادی در ایران از کارایی بالاتری برخوردار است
۶.

آزمون آشوب و پیش بینی قیمت های آتی نفت خام

کلید واژه ها: شبکه های عصبی مصنوعیGARCHآشوبقیمت نفت خامARMAمدل های غیر خطی

حوزه های تخصصی:
تعداد بازدید : ۶۴۵ تعداد دانلود : ۶۳۹
این مقاله به امکان سنجی وجود آشوب در ساختار سیستم مولد قیمت نفت خام شاخصWTI طی دوره 4 آوریل 1983 تا 13 ژانویه 2003 می پردازد. به این منظور از تخمین نمای لیاپانوف و بعد همبستگی به عنوان آزمون های مستقیم آشوب و آزمون های BDS و شبکه عصبی جهت بررسی غیر خطی بودن ساختار سیستم استفاده شده است. نتایج تخمین نمای لیاپانوف و بعد همبستگی، وجود آشوب در سری زمانی را تایید کرده و تخمین آماره BDS و شبکه عصبی، بر غیرخطی بودن سیستم مولد قیمت روزانه نفت اشاره داشتند. در بخش پایانی یک مدل شبکه عصبی مصنوعی برای پیش بینی قیمت های آتی نفت خام طراحی و با نتایج پیش بینی مدل خطی ARMA و غیر خطی GARCH مقایسه شد. نتایج حاصل نشان داد مدل شبکه عصبی مورد استفاده نسبت به دو مدل ARMA و GARCH از قدرت پیش بینی بهتری برخوردار است.
۷.

بررسی رابطه تغییرات بارش سالیانه تبریز با ناهنجاریهای دمایی کره زمین و شبیه سازی عددی آن با استفاده از شبکه عصبی مصنوعی

کلید واژه ها: تغییر اقلیمتبریزشبکه های عصبی مصنوعیپرسپترون چند لایهروند بارشروشهای رگرسیون

حوزه های تخصصی:
تعداد بازدید : ۴۶۲ تعداد دانلود : ۴۴۲
در این تحقیق داده¬های مربوط به ناهنجاریهای دمایی کره زمین و بارش متوسط سالیانه ایستگاه تبریز در طی دوره آماری 1951-2005 استفاده شده¬اند. روشهای اصلی به¬کار¬ گرفته شده در این مطالعه عبارت است از روش تعیین ضریب همبستگی پیرسون، تحلیل مؤلفه روند سری¬های زمانی، رگرسیون خطی ساده و رگرسیون پولی¬نومیال به عنوان یک روش نیمه¬خطی و شبکه¬های عصبی مصنوعی. نتایج حاصل از کاربرد و تحلیل همبستگی پیرسون نشانگر همبستگی منفی و معکوس معنا¬داری بین بارش سالیانه تبریز و ناهنجاریهای دمایی کره زمین است. این به آن معنا است که غالباً با منفی¬شدن ناهنجاریهای دمایی کره زمین، بارش سالیانه تبریز افزایش¬پیدا کرده و ترسالی به¬وقوع می¬پیوندد و برعکس با مثبت شدن ناهنجاریهای دمایی کره زمین، متوسط بارش سالیانه تبریز کاهش پیدا کرده و خشکسالی به وقوع می¬پیوندد. تحلیل مؤلفه روند بلندمدت سری¬های زمانی نشان می¬دهد که در طول دوره آماری از بارش متوسط سالیانه تبریز کاسته می¬شود، اما روند ناهنجاریهای دمایی کره زمین روندی افزایشی از خود نشان¬می¬دهد. ارتباط بارش متوسط سالیانه تبریز با گرمایش جهانی نیز با استفاده از شبکه¬های عصبی مصنوعی شبیه¬سازی شده است. نتایج حاصل از کاربرد روشهای مختلف در این مطالعه نشان می¬دهد که روش شبکه عصبی مصنوعی در مقایسه با روشهای رگرسیون خطی ساده و رگرسیون نیمه خطی پولی¬نومیال درجه 6، روش شبیه¬سازی بهتر و دقیقتر است. روشهای مختلف شبکه¬های عصبی مصنوعی به¬کار گرفته شده در این مطالعه نشان¬ می¬دهد که روش پرسپترون چند لایه با 3 لایه مخفی و الگوریتم آموزش پس انتشار قابلیت بسیار عالی در پیش¬بینی همبستگی بین سری¬ها دارد.
۸.

شبکه های عصبی مصنوعی: مدلی برای پیش بینی

کلید واژه ها: شبکه های عصبی مصنوعیرگه های شخصیتیپیش بینی همسازی

حوزه های تخصصی:
تعداد بازدید : ۱۷۰۵ تعداد دانلود : ۱۶۴۴
"با توجه به محدودیتها و ابهامهای موجود در مدلهای متداول آماری مانند از دست دادن داده‎های مربوط به تعاملهای پیچیده و غیرخطی بین سازه‎های روان‎شناختی و برخی مفروضه‎ها مانند همگونی واریـانسها و توزیع نرمال، پژوهش حاضر توانایی مدلهای شبکه‎های عصبی مصنوعی را برای مطالعات پیش‎بینی بررسی کرد. گروه‎ نمونه‎ای شامل 456 دانش‎ ـ آموز پسر سال سوم دبیرستان پرسشنامه شخصیتی کالیفرنیا (CPI؛ گاف، 1975) و پرسشنـامه همسازی دانـش‎آموزان مدرسه (AISS، سینها و سینگ، 1993) را تکمیل و در پنج سطح همسازی (از ناسازگار تا کاملاً سـازگار) طبقه‎بندی شدند. تحلیل عاملی ترکیبهـای مختلف رگه‎هـای شخصیتی نشان داد که برخی از شبکه‎ها به دلیل ناهمخوانی بین تعداد متغیرها و معماریهای شبکه، نمی‎توانند همسازی را پیش‎بینی کنند. اما بازنگری معمـاری‎ها و تکرار شبکه‎هـای جدید نسبت پیش‎بینی درست (نسبـت طبقه‎بندی شرکت‎کنندگان در سطوح همسازی مبتنی بر AISS) را بـه گونه ای معنـادار افـزایش داد. مـناسب‎ترین شبکـه برای پیش‎بیـنی همسازی شامـل ترکیبی از متغیرهای شنـاختی انعطاف‎پذیری، زنانگی، اشتراک و تحمل بود. "
۱۰.

مدل های پیش بینی شدت تصادف های موتورسیکلت در بزرگراه های شهری با استفاده از رگرسیون لوجستیک و شبکه های عصبی مصنوعی

کلید واژه ها: رگرسیون لوجستیکشبکه های عصبی مصنوعیموتورسیکلتشدت تصادفخسارت جانی و مالی

حوزه های تخصصی:
  1. مدیریت مدیریت صنعتی تحقیق در عملیات الگوهای کمی در تصمیم گیری
  2. مدیریت مدیریت دولتی مدیریت گمرکی
تعداد بازدید : ۸۴۵
با توجه به خطرپذیر بودن تردد موتورسیکلت ها در معابر و بزرگراه های شهری و خسارات وارده، در این مقاله بر آن شدیم با ارایه مدل پیش بینی شدت تصادف، به بررسی عوامل موثر در شدت تصادف موتورسیکلت ها بپردازیم، تا بتوان با شناسایی عوامل موثر در شدت این تصادف ها و با اتخاذ سیاست های عملکردی مناسب شدت این تصادف ها را تا حد مطلوبی کاهش داد. بر این اساس آمار مربوط به تصادف موتورسیکلت در بزرگراه های شهری تهران از سال 1382 تا 1385 از بانک اطلاعاتی اداره راهنمایی و رانندگی شهر تهران، همچنین داده های مربوط به مشخصات ترافیکی از قبیل حجم ترافیک و سرعت جریان ترافیک از سازمان حمل و نقل و ترافیک تهران و مشخصات هندسی بزرگراه ها از شرکت مطالعات جامع حمل و نقل و ترافیک تهران جمع آوری گردید و در یک بانک اطلاعاتی واحدی که شامل 536 مورد تصادف می باشد، مورد بررسی قرار گرفت.در این مقاله، شدت تصادف های موتورسیکلت در دو حالت «خسارت جانی» و «خسارت مالی» طبقه بندی شده است و از دو روش مدل سازی ریاضی با استفاده از نرم افزار SPSS و مدل سازی با استفاده از شبکه های عصبی مصنوعی برای مدل سازی استفاده شده است.نتایج به دست آمده نشان می دهد که استفاده از شبکه های عصبی مصنوعی در مدل سازی شدت تصادف های موتورسیکلت جواب های قابل قبولی را ارایه داده است. همچنین با مدل سازی، عواملی که تاثیر بیشتری بر روی افزایش و کاهش شدت تصادف ها دارند، شناسایی شده اند.
۱۱.

ارزیابی روش های پیش بینی ترکیبی : با رویکرد شبکه های عصبی - کلاسیک در حوزه اقتصاد

کلید واژه ها: رگرسیون چند متغیرهشبکه های عصبی مصنوعیپیش بینىسریهای زمانىپیش بینى ترکیبی

حوزه های تخصصی:
تعداد بازدید : ۱۴۷۲ تعداد دانلود : ۱۴۴۵
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.
۱۲.

یک مقایسه بین مدل های اقتصاد سنجی ساختاری ، سری زمانی و شبکه عصبی برای پیش بینی نرخ ارز

کلید واژه ها: شبکه های عصبی مصنوعیپیش بینی نرخ ارزبرابری قدرت خرید ( PPP )الگوهای ساختاری اقتصادیمدل های خطی و غیر خطی

حوزه های تخصصی:
تعداد بازدید : ۱۳۸۷ تعداد دانلود : ۱۳۶۷
در این مقاله استفاده از مدل های شبکه‎عصبی مصنوعی(ANN) و برخی الگوهای متداول در زمینه پیش بینی نرخ ارز، مورد آزمون و تحلیل قرار گرفته بدین صورت که، عملکرد پنج الگوی رگرسیون خطی در مقایسه با شبکه های عصبی مصنوعی، برای پیش بینی نرخ ارز اسمی (ریال ایران به دلار ایالات متحده آمریکا) مورد بررسی قرار می گیرد. الگوهای رگرسیون خطی عبارتند از روش باکس- جنکینز (الگوی میانگین متحرک انباشته خود همبسته)، فرایند گام تصادفی و سه تصریح مختلف بر اساس نظریه برابری قدرت خرید (PPP). هدف اصلی این مقاله، آزمون این فرضیه است که آیا شبکه های عصبی مصنوعی با توان براورد روابط غیرخطی، دارای نتایج بهتر و قابل مقایسه در پیش بینی نرخ ارز نسبت به الگوهای سنتی، به خصوص الگوی گام تصادفی اند یا خیر؟ مقایسه مذکور برای مشاهدات داخل نمونه، براورد الگوها و خارج از نمونه برای افق های پیش بینی رو به جلوی یک ، شش و دوازده ماهه انجام می پذیرد. در حالت کلی، نتایج به دست آمده حاکی از دشوار بودن پیش بینی نرخ ارز، توسط الگوهای ساختاری اقتصادی است، این نتایج هماهنگ با مطالعات قبلی در این زمینه است. بدین صورت که الگوی(فرایند) گام تصادفی نسبت به الگوهای ساختاری پولی در پیش بینی نرخ ارز از عملکرد بهتری برخوردار است. در مقایسه مستقیم عملکرد مدل های(خطی) اقتصادسنجی ساختاری و سری زمانی با شبکه های عصبی(غیرخطی) و با داده های ماهانه، مدل های شبکه های عصبی مصنوعی به وضوح از قدرت بیشتری در زمینه پیش بینی نرخ ارز برخوردارند.
۱۳.

برنامه ریزی تعمیرات و نگهداری پیش گویانه ایستگاه های گاز با رویکرد ترکیبی PCA و شبکه های عصبی فازی

کلید واژه ها: شبکه های عصبی مصنوعیشبکه های عصبی فازیتجزیه و تحلیل مولفه های اصلینگهداری و تعمیرات پیش گویانهخوردگی لوله های گاز

حوزه های تخصصی:
تعداد بازدید : ۱۰۸۶ تعداد دانلود : ۱۰۵۳
با ظهور نگهداری و تعمیرات (نت) پیشگویانه در 1980، تحول شگرفی در برنامه ریزی نت تجهیزات پدیدار گردید. با توجه به این که نت پیشگویانه، متکی بر پیشگویی وقوع خرابی در خصوص تجهیزات در حال استفاده است، چنانچه بتوان پیشگویی صحیح تری از وقوع خرابی در آینده ارائه داد، می توان هزینه های نت را به طور قابل ملاحظه کم کرد. این رویکرد، خود مستلزم به کارگیری ابزار و فنون متعدد، از جمله تکنیک های هوش مصنوعی، مثل شبکه های عصبی و تئوری مجموعه های فازی است. فعالیت های شرکت ملی گاز ایران در زمره صنایعی است که هزینه های نت در آن قابل توجه است و بنابراین استفاده از نت پیشگویانه در مورد آن ها توجیه اقتصادی دارد. فرایند توزیع گاز طبیعی در سطح کشور به گونه ای است که لوله های انتقالی که از زیر زمین عبور داده شده اند دچار خوردگی می شوند و این موضوع باعث ایجاد هزینه های زیاد برای شرکت ملی گاز ایران می شود. در این تحقیق، پیشگویی وقوع خرابی بر مبنای مدل ترکیبی شبکه های عصبی فازی و تحلیل مؤلفه های اصلی انجام شده است. نتایج تحقیق نشان می دهد که مدل ارائه شده 25 درصد از هزینه های بازرسی را نسبت به وضعیت فعلی کاهش می دهد
۱۴.

پیش بینی بارش بهاره استان خراسان رضوی بر اساس سیگنال های بزرگ مقیاس اقلیمی با استفاده از شبکه های عصبی مصنوعی

کلید واژه ها: شبکه های عصبی مصنوعیپیش بینی بارشسیگنال های اقلیمی

حوزه های تخصصی:
تعداد بازدید : ۳۴۷ تعداد دانلود : ۳۳۴
هدف از پژوهش حاضر، بررسی ارتباط سیگنال های بزرگ مقیاس اقلیمی با بارش استان خراسان رضوی است. در این مطالعه، با استفاده از شبکه های عصبی مصنوعی، پیش بینی بارش در بازه زمانی آوریل تا ژوئن 2007-1970 (فروردین تا خرداد) در استان خراسان رضوی ارائه شده است. برای این منظور ارتباط بین تغییرات سیگنال های اقلیمی شامل فشار سطح دریا، اختلاف فشار سطح دریا، دمای سطح دریا، اختلاف دما بین سطح دریا و سطح 1000 میلی باری، دمای سطح 700 میلی بار، ضخامت بین سطوح 500 و 1000 میلی بار، رطوبت نسبی سطح 300 میلی بار و آب قابل بارش با بارش متوسط منطقه ای مورد بررسی قرار گرفت. در انتخاب این مناطق، تاثیرپذیری بارندگی منطقه شمال شرق ایران از سیگنال های بزرگ مقیاس اقلیمی مورد توجه قرار گرفته است. سپس، مدل شبکه های عصبی مصنوعی در دوره 1997-1970 آموزش داده شده است و در پایان، پیش بینی بارش در دوره 2007-1998 انجام شده است. نتایج نشان می دهد که شبکه های عصبی مصنوعی در تمامی سال ها می تواند بارش را با دقت قابل قبولی پیش بینی کند. ریشه میانگین مربعات خطا برای مدل، 5/2 میلی متر به دست آمد.
۱۵.

پیش بینی بارش ماهانه با استفاده از شبکه های عصبی مصنوعی (مورد : تهران)

کلید واژه ها: پیش بینیتهرانبارشالگوریتم ژنتیکشبکه های عصبی مصنوعی

حوزه های تخصصی:
تعداد بازدید : ۴۶۵ تعداد دانلود : ۴۵۷
گسترش سریع استفاده از شبکه های عصبی مصنوعی ( ANN) به عنوان مدل تجربی و کارآمد در علوم مختلف از جمله هواشناسی و اقلیم شناسی نشان دهنده ضرورت ارزش بالای مطالعه این مدل هاست. پیش بینی بارش برای اهداف مختلفی نظیر برآورد سیلاب، خشکسالی، مدیریت حوضه آبریز، کشاورزی و ... دارای اهمیت بسیاری است. هدف این مقاله پیش بینی بارش ماهانه با استفاده از شبکه های عصبی مصنوعی در شهر تهران می باشد. در این تحقیق از داده های بارش ماهانه طی دوره آماری 53 سال (1951-2003) و شبکه های عصبی مصنوعی به عنوان یک روش غیر خطی جهت پیش بینی بارش استفاده شده است. نتایج این تحقیق بعد از آزمون شبکه با لایه های پنهان و با ضرایب یادگیری مختلف نشان داد که استفاده از شبکه های عصبی مصنوعی با یک پرسپترون 2 لایه پنهان با ضریب یادگیری 1/0 و مومنتم 7/0 مدل نسبتاً بهتری را ارائه می کند. ضریب همبستگی بین مقادیر واقعی ماهانه بارش و پیش بینی شده توسط شبکه بدون ترکیب با الگوریتم ژنتیک برابر با 88/0 و ضریب تعیین برابر با 77/0 می باشد. همچنین بعد از آموزش مجدد شبکه و آزمون شبکه با لایه های پنهان و ضرایب مختلف یادگیری در ترکیب با الگوریتم ژنتیک نشان داد که ترکیب شبکه با ویژگی های مذکور با الگوریتم ژنتیک باعث کاهش خطا و افزایش سرعت محاسبات شده و مدل بهتری را ارائه می کند. ضریب همبستگی بین مقادیر واقعی ماهانه بارش و پیش بینی شده توسط شبکه برابر با 91/0 و ضریب تبیین برابر با 83/0 می باشد.
۱۶.

پیش بینی بازده سهام با استفاده از نسبت های حسابداری با رویکرد شبکه های عصبی

کلید واژه ها: بازده سهامشبکه های عصبی مصنوعیرگرسیون حداقل مربعاتنسبت های حسابداری

حوزه های تخصصی:
  1. مدیریت مدیریت مالی – حسابداری مدیریت مالی
  2. مدیریت مدیریت مالی – حسابداری تئوریهای حسابداری بازده سهام
تعداد بازدید : ۹۷۳ تعداد دانلود : ۹۴۰
هدف این تحقیق پیش بینی بازده سهام با استفاده از نسبت های حسابداری با رویکرد شبکه های عصبی است. در این تحقیق توانایی پیش بینی بازده سهام با استفاده از نسبت های حسابداری با دو رویکرد شبکه های عصبی مصنوعی و رگرسیون حداقل مربعات مورد بررسی قرار گرفته است. متغیرهای مستقل در این تحقیق نسبت های حسابداری و متغیر وابسته بازده سهام میباشد بدین منظور نسبت های حسابداری برای دو صنعت سیمان و دارو به مدت 8 سال جمع آوری گردید. فرضیه های تحقیق شامل یک فرضیه اصلی و دو فرضیه فرعی است. فرضیه اصلی به بررسی توانایی رویکرد شبکه های عصبی در پیش بینی بازده سهام در مقایسه با رگرسیون حداقل مربعات در سطح جمع شرکت های فعال در دو صنعت میپردازد و فرضیه های فرعی به بررسی این مورد در سطح شرکت های فعال در سطح هر صنعت میپردازد.
۱۷.

بررسی روش های مختلف برای ایجاد توابع انتقالی خاکهای بخشی از مناطق مرطوب شمال ایران

کلید واژه ها: رگرسیون چند متغیرهشبکه های عصبی مصنوعیتوابع انتقالینروفازی

حوزه های تخصصی:
تعداد بازدید : ۵۴۱ تعداد دانلود : ۵۳۷
تخمین پارامترهای دیریافت خاک با استفاده از اطلاعات موجود خاک، توابع انتقالی نامیده میشود. جهت توسعه توابع انتقالی میتوان از مدل های رگرسیون چند متغیره، شبکه عصبی مصنوعی و نروفازی استفاده کرد. بنابراین در این مطالعه به منظور مقایسه مدل های مذکور، 153 نمونه جمع آوری شده از ناحیه شمالی شهرستان رشت مورد آزمایش قرار گرفته و درصد شن، سیلت، رس و کربن آلی به عنوان ویژگیهای زودیافت و ظرفیت تبادل کاتیونی به عنوان ویژگی دیریافت اندازه گیری شدند. سپس کل داده ها به دو سری داده، شامل سری آموزش (80% داده ها) و سری ارزیابی (20% داده ها) تقسیم گردید. نتایج ارزیابی نشان داد که مدل نروفازی بر اساس شاخص های ریشه مربعات خطا، میانگین خطا و ضریب تبیین به ترتیب 73/0، 07/0- و 66/0 دارای بالاترین دقت در پیش بینی ظرفیت تبادل کاتیونی خاک میباشد. همچنین این مدل بر اساس شاخص درصد کاهش ریشه مربعات خطا به میزان 14 درصد دقت پیش بینی ویژگی CEC را نسبت به روش رگرسیون خطی چندگانه افزایش داده است. بعد از این مدل، شبکه های عصبی مصنوعی پس انتشار، پایه شعاعی و آبشاری به ترتیب نسبت به معادلات رگرسیونی کارائی بهتری داشته اند.
۱۸.

طرح یک چارچوب ترکیبی پیش بینی تقاضای متلاطم و کنترل پیش بین مدل به منظور کمینه سازی اثر شلاقی

کلید واژه ها: شبکه های عصبی مصنوعیاثر شلاقیمدیریت زنجیرهی تأمینکنترل مدل پیش بینکنترلکننده

حوزه های تخصصی:
تعداد بازدید : ۵۶۹ تعداد دانلود : ۵۶۳
این مقاله یک رویکرد کنترل پیش بین مدل برای سیستم های برنامه ریزی تولید ـ موجودی ارایه میکند. کنترل پیش بین مدل (MPC) قبلاً در مسایل زنجیرهی تأمین بهکار گرفته شده و نتایج رضایت بخشی داشته است. اما سیستم های پیشنهادی تا حال اطلاعاتی راجع به تقاضای آتی ندارند. ادغام یک متدولوژی پیش بینی در چارچوب MPC میتواند عملکرد سیستم های کنترلی را بهبود دهد. در این مقاله برای پیش بینی عدم قطعیت در رفتار تقاضای متلاطم، از روش های کلاسیک و هوشمند پیش بینی استفاده میشود. با توجه به رفتار غیرخطی و نوسانی و حتی آشوبی تقاضای متلاطم، شبکه های عصبی در مقایسه با روش های معمول کلاسیک همچون روش هموارسازی نمایی بهتر میتوانند این رفتار را مدل سازی و پیش بینی نمایند. داده-های واقعی برای بررسی و مقایسهی کارایی طرح پیشنهادی با توجه به خطای معیار عملکردی بهکار گرفته میشود.
۱۹.

بررسی و پیش بینی اثر جهانی شدن اقتصاد بر توزیع درآمد در جامعه شهری ایران با استفاده از شبکه عصبی مصنوعی

کلید واژه ها: مدل VARجهانی شدنشبکه های عصبی مصنوعیتوزیع درآمد

حوزه های تخصصی:
تعداد بازدید : ۵۷۷ تعداد دانلود : ۵۶۹
جهانی شدن به عنوان فرآیندی با مشخصه کلی افزایش چشمگیر تجارت و مبادلات بین المللی و یکپارچگی بازارها در مقیاس جهانی، خواسته یا ناخواسته درحال وقوع است. پژوهش پیرامون نحوه اثرپذیری متغیرهای اقتصادی از این پدیده، به عنوان راهنمایی در جهت اتخاذ تصمیمات کارا توسط سیاست گزاران تلقی می گردد. در این پژوهش، با لحاظکردن تفاوت های ساختاری اقتصاد شهری و روستایی ایران و با استفاده از داده های مربوط به دوره 1386-1350 اقتصاد ایران، پس از مقایسه کارایی مدل های خودرگرسیو ن برداری(VAR) و مدل تصحیح خطای برداری(VECM) و شبکه های عصبی مصنوعی(ANN)، از شبکه های عصبی طراحیشده جهت پیش بینی ضریب جینی شهری ایران برای سال های 1387 و 1388تحت سه سناریو استفاده و پس از آن به منظور بررسی اثر خالص جهانیشدن بر توزیع درآمد در جامعه شهری ایران با اجرای سناریو چهارم برای دوره زمانی 1387 تا 1395 پیش بینی برون نمونه ای انجام شده است. انتخاب مدل شبکه عصبی مصنوعی به عنوان مدل کاراتر و رابطه غیرمستقیم جهانی شدن با نابرابری درآمد جوامع شهری ایران یافته های اصلی این مقاله هستند.