مطالب مرتبط با کلیدواژه

شبکه عصبی مصنوعی


۱.

پیش ‌بینی میزان صادرات پسته ایران: کاربرد شبکه عصبی مصنوعی(مقاله علمی وزارت علوم)

نویسنده:
منبع: پژوهشنامه بازرگانی ۱۳۸۵ شماره ۳۹

کلیدواژه‌ها: پیش بینی صادرات پسته شبکه عصبی مصنوعی فرآیند ARIMA

حوزه های تخصصی:
تعداد بازدید : ۱۹۶۹
با توجه به اهمیت پیش بینی صادرات در برنامه‌ریزی و سیاست گذاری و بمنظور پیش بینی صادرات پسته ایران ، در این مطالعه از شبکه عصبی مصنوعی و فرآیند ARIMA استفاده و نتایج حاصله مورد مقایسه قرار گرفت . بمنظور انجام بررسی‌ها از داده‌های گمرک ایران برای سالهای 1304 تا 1382 استفاده گردید . از داده‌های دوره 77-1304 به منظور مقایسه روشها و از داده‌های 5 سال آخر برای بررسی قدرت پیش بینی استفاده شد . نتایج مطالعه نشان داد که شبکه عصبی پیش خور دارای عملکرد بهتری در مقایسه با سایر شبکه‌های عصبی و فرآیند ARIMA بوده و قادر است میزان صادرات پسته را دقیق‌تر پیش بینی نماید ...
۲.

کنترل پیش‌بینانه کیفیت با استفاده از شبکه‌های عصبی مصنوعی (ANNs) و روش ترکیبی تحلیل رگرسیون و ANNs(مقاله علمی وزارت علوم)

نویسنده:
منبع: نشریه مدیریت صنعتی ۱۳۸۸ شماره ۳

کلیدواژه‌ها: شبکه عصبی مصنوعی مدلسازی اسپری درایینگ کنترل پیش‌بینانه

حوزه های تخصصی:
تعداد بازدید : ۲۵۱۲
در این مقاله با ارایه نمونه عملی فرآیند اسپری درایینگ، متدولوژی مدل‌سازی فرآیندها با استفاده سلسله مراتبی از تحلیل رگرسیونی و الگوریتم شبکه عصبی مصنوعی، با هدف کنترل پیش‌بینانه کیفیت، برای نخستین‌بار تشریح و پیاده‌سازی شده است. استفاده ازANNs در این مقاله، به منظور معماری مدل عصبی فرآیند اسپری درایینگ با اتخاذ یک رویکرد عمومی و انتخاب الگوریتم پس انتشار خطا به کمک داده‌های مستقیم است. فرض تاثیر مثبت اعمال تحلیل رگرسیونی بر ارتقا پایایی مدل عصبی، با محاسبه و تحلیل شاخص‌های ارزیابی پایایی مدل که عبارتند از: ضریب تعیین ، میانگین خطای نسبی (MRE) و جذر میانگین مربعات خطا (RMSE)، برای مدل عصبی و مدل عصبی- آماری (مدل عصبی با اعمال تحلیل رگرسیونی) تایید شد. در انتها با توجه به نتایج ارزیابی پایایی، سناریوهای مختلفی برای تنظیم ورودی‌های فرآیند توسط مدل عصبی- آماری فرآیند طراحی شد که با استفاده از آن می‌توان کنترل پیش‌بینانه را جایگزین روش‌های مبتنی بر سعی و خطا برای کنترل فرآیند کرد.
۳.

تخمین عملکرد محصول جو در آذربایجان شرقی با استفاده از پارامترهای هواشناسی و شاخصهای خشکسالی به روش شبکه عصبی مصنوعی(مقاله علمی وزارت علوم)

نویسنده:
منبع: تحقیقات آب و خاک ایران ۱۳۸۷ شماره۱

کلیدواژه‌ها: شبکه عصبی مصنوعی خشکسالی پارامترهای هواشناسی شاخصهای خشکسالی عملکرد محصول جو

حوزه های تخصصی:
تعداد بازدید : ۱۵۵۶ تعداد دانلود : ۷۷۵
۵.

بررسی عوامل مؤثر بر زمان سفر در سیستم حمل‌ونقل عمومی و پیش‌بینی زمان سفر مورد کاوی: سیستم اتوبوسرانی شهر تهران(مقاله علمی وزارت علوم)

نویسنده:
منبع: پژوهشنامه حمل ونقل ۱۳۸۸ شماره ۳

کلیدواژه‌ها: شبکه عصبی مصنوعی رگرسیون خطی پیش‌بینی زمان سفر برنامه‌ریزی سیستم‌ اتوبوسرانی

حوزه های تخصصی:
تعداد بازدید : ۱۶۵۸ تعداد دانلود : ۸۸۶
"با توسعه سیستم‌های حمل‌ونقل هوشمند، فرآیند برنامه‌ریزی سیستم‌های حمل‌ونقل عمومی مانند اتوبوس و قطار شهری از حالت استاتیک (برنامه‌ریزی بر اساس داده‌های گذشته) به حالت پویا (برنامه‌ریزی براساس داده‌های گذشته و لحظه‌ای) تغییر کرده است. در هر دو فرآیند فوق، زمان سفر به عنوان مهم ترین پارامتر برنامه‌ریزی محسوب می‌شود. در بیشتر مطالعات گذشته حوزه برنامه‌ریزی حمل‌ونقل عمومی، مبنای برآورد زمان سفر، استفاده از رویکرد توزیع‌های احتمالی بوده است. اما پیش‌بینی دقیق و صحیح زمان سفر نیازمند توسعه مدلهای پیش‌بینی متناسب با هر نوع فرآیند برنامه‌ریزی و بر اساس تأثیر متغیرهای مؤثر بر زمان سفر است. در این مقاله با مطالعه سیستم حمل‌ونقل عمومی شهر تهران (اتوبوسرانی)، متغیرهای مؤثر بر زمان سفر، شناسایی شده و میزان تأثیر هر یک از آنها بر زمان سفر اندازه‌گیری شده است. دو مدل پیش‌بینی مبتنی بر رگرسیون خطی و شبکه عصبی پیش‌خوراند جهت پیش‌بینی زمان سفر وسایل نقلیه عمومی بین دو ایستگاه متوالی قابل استفاده در فرآیندهای برنامه‌ریزی استاتیک و پویا طراحی شده است. مقدار ضریب همبستگی بین مقادیر واقعی و پیش‌بینی شده برای متغیر زمان سفر در شبکه اتوبوسرانی شهر تهران، در مدل رگرسیون حدود 75% و در مدلهای شبکه عصبی حدود 94% بوده است. "
۶.

پیش بینی قیمت نفت خام با استفاده از هموارسازی موجک و شبکه عصبی مصنوعی(مقاله علمی وزارت علوم)

نویسنده:
منبع: مطالعات اقتصاد انرژی پاییز ۱۳۸۷ شماره ۱۸

کلیدواژه‌ها: پیش بینی شبکه عصبی مصنوعی قیمت نفت خام تبدیل موجک هموار سازی

حوزه های تخصصی:
تعداد بازدید : ۱۹۹۳ تعداد دانلود : ۱۰۸۸
در این مقاله تلاش شده است تا با استفاده از تبدیل موجک و شبکه عصبی مدلی ارایه شود که پیش بینی دقیق تر و با خطای کم تری از قیمت نفت خام داشته باشد. در این مدل ترکیبی، از خاصیت هموارسازی تبدیل موجک برای کاهش سطح نویز داده ها استفاده شده و سپس به وسیله شبکه عصبی مصنوعی و با داده های هموار سازی شده، قیمت نفت پیش بینی شده است. نتایج حاصل از مقایسه RMSE مدل های رقیب با مدل ترکیبی مورد اشاره، دلالت بر آن دارد که کاهش نویز و هموار سازی داده ها، عملکرد پیش بینی قیمت نفت را بهبود می دهد.
۷.

الگوسازی غیر خطی و پیش بینی درآمدهای مالیات بر مشاغل در اقتصاد ایران(مقاله علمی وزارت علوم)

نویسنده:
منبع: تحقیقات اقتصادی بهمن و اسفند ۱۳۸۵ شماره ۷۷

کلیدواژه‌ها: ایران شبکه عصبی مصنوعی رگرسیون خطی آشوب نمای لیاپانوف مالیات بر مشاغل پیش بینی، لگوی سری زمانی

حوزه های تخصصی:
تعداد بازدید : ۲۶۱۵ تعداد دانلود : ۸۷۳
در این مقاله، با هدف دستیابی به پیش بینی های دقیق تر، سه نوع الگوی رگرسیون خطی، سری زمانی و شبکه عصبی مصنوعی طراحی و برآورد شده است. در ابتدا ماهیت ساختاری سری زمانی مورد نظر از جهت خطی، غیر خطی و تصادفی بودن با استفاده از آزمون نمای لیاپانوف بررسی شده است. نتایج این آزمون، وجود آشوب ضعیفی را در سیستم نشان می دهد و بیانگر امکان استفاده از الگوسازی غیر خطی برای پیش بینی دقیق تر کوتاه مدت است. در مرحله بعد با استفاده از رگرسیون خطی، الگوی سری زمانی و شبکه های عصبی مصنوعی، ضمن انجام پیش بینی درآمدهای مالیات بر مشاغل طی دوره زمانی 1379-1383، عملکرد این سه روش با یکدیگر مقایسه شده است. نتایج برآورد الگوها نشان دهنده عملکرد بهتر الگوی شبکه عصبی مصنوعی می باشد.
۸.

بررسی عوامل مؤثر بر مصرف انرژی در بخش کشاورزی ایران

نویسنده:
منبع: توسعه و سرمایه سال سوم بهار و تابستان ۱۳۸۹ شماره ۱ (پیاپی ۵)

کلیدواژه‌ها: بخش کشاورزی شبکه عصبی مصنوعی الگوی خود توضیح برداری انرژی در ایران رابطه انرژی و کشاورزی

حوزه های تخصصی:
تعداد بازدید : ۴۰۴۳ تعداد دانلود : ۱۴۱۹
جهان امروز، جهان توسعه اقتصادی و صنعتی است. روند این توسعه در طول دهه های اخیر شتاب بیشتری گرفته است. انرژی به عنوان مهمترین کالای تجاری، که بیشترین سهم را در تجارت جهان دارد. برای فعالیتهای بشر از اهمیت فراوانی برخوردار است. ایران به عنوان کشوری رو به رشد و برخوردار از منابع انرژی غنی و گسترده و وجود مخازن بزرگ نفتی، معادن عظیم زیرزمینی و توان بالقوه انرژی یکی از مصداقهای الگوی رشد با فشار بر منابع طبیعی به شمار می رود. بخش کشاورزی نیز یکی از بخشهای مصرف کننده انرژی است. انرژی به عنوان نهاده مصرفی در بخش کشاورزی از اهمیت خاصی برخوردار است. بررسی مصرف انرژی در بخش کشاورزی، نشان می دهد که طی سالهای مختلف همراه با افزایش تولید و ارزش افزوده مصرف انواع حاملهای انرژی شامل فراورده های نفتی و برق، افزایش یافته است. بنابراین در این مطالعه ابتدا با شبکه عصبی مصنوعی ضرایب اهمیت عوامل مؤثر بر مصرف انرژی در بخش کشاورزی محاسبه شد. سپس با استفاده از الگوی خود توضیح برداری (VAR) مصرف انرژی در بخش کشاورزی پیش بینی شد. نتایج تحقیق نشان می دهد که در هر دو روش شبکه عصبی و اقتصاد-سنجی متغیرهای شدت مصرف انرژی، سهم بخش کشاورزی در اقتصاد و تولید ناخالص داخلی بر مصرف انرژی در این بخش تاثیر مثبت زیادی دارد.
۹.

تهیه نقشه پوشش اراضی شهر اراک با استفاده از روش های طبقه بندی شبکه عصبی مصنوعی و حداکثر احتمال(مقاله علمی وزارت علوم)

نویسنده:
منبع: پژوهش های جغرافیای طبیعی (پژوهش های جغرافیایی سابق) سال چهل و یکم پاییز ۱۳۸۸ شماره ۶۹

کلیدواژه‌ها: شبکه عصبی مصنوعی اراک پوشش اراضی روش حداکثر احتمال

حوزه های تخصصی:
تعداد بازدید : ۲۳۱۳ تعداد دانلود : ۱۲۳۰
تهیه نقشه پوشش اراضی، برای بسیاری از فعالیت های برنامه ریزی و مدیریت شهری دارای اهمیت است. در پژوهش حاضر، به منظور تهیه نقشه پوشش اراضی شهر اراک از داده های رقومی سنجنده LISS-III (1385) استفاده شد. ابتدا تصویر با میانگین خطای مربعات 58/0 پیکسل تصحیح هندسی شد و با توجه به کوهستانی بودن منطقه، تصحیح توپوگرافی نیز بر روی تصویر اعمال گردید. برای طبقه بندی تصویر، دو روش طبقه بندیِ نظارت شده با الگوریتم حداکثر احتمال و شبکه عصبی مصنوعی پرسپترون سه لایه با به کارگیری نقشه شیب و بدون استفاده از آن به کار گرفته شد. درنهایت، نقشه پوشش اراضی منطقه به 4 طبقه شهری، پوشش گیاهی، بایر و رخنمون سنگی طبقه بندی گردید. از نقشه شیب طبقه بندی شده منطقه به منظور جداسازی بهتر رخنمون های سنگی به عنوان ورودی در شبکه عصبی استفاده شد. برای ارزیابی صحت نتایج طبقه بندی، نقشه تولیدی با نقشه واقعیت زمینی ایجاد شده از طریق GPS بررسی گردید و صحت کلی طبقه بندی برای روش حداکثر احتمال، روش شبکه عصبی بدون استفاده از نقشه شیب و شبکه عصبی با استفاده از نقشه شیب به ترتیب 6/92، 7/92 و 6/94 درصد برآورد گردید. مطالعه حاضر نشان داد که روش طبقه بندی شبکه عصبی، قابلیت تهیه نقشه پوشش اراضی را با صحت بالا دارد.
۱۰.

تحلیل مقایسه عملکرد شبکه های عصبی مصنوعی و مدل های رگرسیونی پیش بینی رسوب معلق : مطالعه موردی : حوضه آبخیز اسکندری واقع در حوضه آبریز زاینده رود(مقاله علمی وزارت علوم)

نویسنده:
منبع: پژوهش های جغرافیای طبیعی (پژوهش های جغرافیایی سابق) سال چهل و دوم بهار ۱۳۸۹ شماره ۷۱

کلیدواژه‌ها: شبکه عصبی مصنوعی ژئومورفولوژی رواناب مدل رگرسیونی بار رسوب

حوزه های تخصصی:
تعداد بازدید : ۲۳۳۶ تعداد دانلود : ۱۰۴۷
یکی از جنبه های حائز اهمیت در مدیریت محیط در ژئومورفولوژی کاربردی حل مشکل برآورد رسوب یک سیستم رودخانه ای میباشد. هدف این مطالعه ارزیابی عملکرد مقایسه ای دونوع شبکه عصبی مصنوعی (مدل ژئومورفولوژیکی و مدل غیر ژئومورفولوژیکی) و دو نوع مدل رگرسیونی (مدل توانی ومدل غیر خطی چندگانه) برای پیش بینی بار رسوب معلق حوضه اسکندری در حوضه آبریز زاینده رود میباشد. مدل ها براساس آمار 104 حادثه وقوع همزمان ثبت شده دبی و رسوب طراحی شده اند. پارامترهای ژئومورفولوژیکی بکار رفته در مدل های مزبور شامل: نسبت ناهمواری، ضریب شکل و تراکم زهکشی می باشند. شبکه های عصبی مصنوعی طراحی شده از نوع انتشار برگشتی چهار لایه است. بهترین نتایج پیش بینی مربوط به روش شبکه عصبی مصنوعی ژئومورفولوژیکی با ضریب تبیین معنی دار 98/0 و جذر میانگین خطای 49/4 در مقایسه با روش شبکه عصبی مصنوعی طراحی شده بر اساس آمار جریان با مقادیر ضریب تبیین 96/0 و خطای35/5 میباشد. عملکرد روش های رگرسیونی با ضریب تبیین 893/0 و خطای66/8 برای روش چند متغیره غیرخطی ومقادیر ضریب تبیین 814/0 و خطای برآورد 05/15 برای روش غیر خطی ساده توانی ضعیف تر از شبکه های عصبی مشاهده گردید. تفاوت فاحش در شاخص های ارزیابی مدل های شبکه عصبی مصنوعی نسبت به روش های رگرسیونی در عملکرد مناسب آنها برای تعداد کم نمونه های مدل میباشد. بنابراین شبکه های عصبی مصنوعی به خصوص شبکه های ژئومورفولوژیکی به عنوان یک ابزار قوی پیش بینی شایسته بار رسوب یک سیستم پیچیده رودخانه ای معرفی میشوند.
۱۱.

مقایسه نتایج شبکه های عصبی پرسپترون چند لایه با رگرسیون چند گانه در پیش بینی غلظت ازن در شهر تبریز(مقاله علمی وزارت علوم)

نویسنده:
منبع: پژوهش های جغرافیای طبیعی (پژوهش های جغرافیایی سابق) سال چهل و دوم بهار ۱۳۸۹ شماره ۷۱

کلیدواژه‌ها: شبکه عصبی مصنوعی ازن پرسپترون چند لایه پیش بینی آلودگی های هوایی رگرسیون چند گانه

حوزه های تخصصی:
تعداد بازدید : ۳۲۴۹ تعداد دانلود : ۱۵۷۱
تبریز بعنوان یکی از پنج شهر بزرگ صنعتی و دومین شهر آلوده کشور به حساب می آید. مکانیابی مراکز صنعتی در غرب و جنوب غربی تبریز و وزش باد غالب در فصل های سرد از آن جهات، باعث آلودگی هوای شهر تبریز می شود. براساس اطلاعات اداره کل حفاظت محیط زیست استان آذر بایجان شرقی در سال 84، 60 درصد آلودگی هوای تبریز مربوط به صنایع سنگینی است که در جنوب غربی و غرب آن مکانیابی شده اند. در این مقاله یک مدل برمبنای رگرسیون چندگانه (روش خطی) و یک مدل دیگر بر اساس شبکه عصبی (روش غیرخطی) به منظور پیش بینی کوتاه مدت غلظت ازن برحسب شرایط آب و هوایی برای شهر تبریز ارایه شده و در ادامه به مقایسه نتایج به دست آمده از مدل خطی و غیر خطی پرداخته شده است. داده های هواشناسی این تحقیق شامل سرعت باد، رطوبت نسبی، جهت باد، درجه حرارت، بارندگی، فشار هوا، مقدار تابش و مقدار تبخیر از اداره هواشناسی تبریز (ایستگاه هواشناسی تبریز) و داده های آلودگی هوا (غلظت ازن) از اداره کل محیط زیست استان آذربایجان شرقی تهیه گردیده است. در این تحقیق داده های ماههای آذر و دی سال 1385 به صورت ساعتی مورد استفاده قرار گرفته است. داده های آلودگی هوا از میانگین چهار ایستگاه اندازه گیری موجود در تبریز، به دست آمده است. برای آموزش بهینه شبکه، پارامترهای هواشناسی در این پژوهش قبل از اینکه وارد شبکه شوند در محدوده 0 و 1 و غلظت آلودگی در محدوده 9/0- و 9/0 نرمالیزه شدند و از 1253 داده نرمالیزه شده 650 داده برای آموزش شبکه،404 داده برای تایید شبکه و 199 داده برای تست شبکه انتخاب گردید. نتایج به دست آمده نشان می دهند که مدل شبکه های عصبی توانایی بیشتری نسبت به روشهای خطی (رگرسیون چندگانه) داشته است. بطوریکه ضریب همبستگی در مدل رگرسیون چندگانه 45/0 در حالیکه ضریب همبستگی در شبکه های عصبی 91/0 بوده است.
۱۲.

مقایسه دو روش طبقه بندی حداکثر احتمال و شبکه عصبی مصنوعی در استخراج نقشه کاربری اراضی مطالعه موردی: حوزه سد ایلام(مقاله علمی وزارت علوم)

نویسنده:
منبع: جغرافیا و توسعه سال هشتم زمستان ۱۳۸۹ شماره ۲۰

کلیدواژه‌ها: شبکه عصبی مصنوعی کاربری اراضی طبقه بندی تصویر حداکثر احتمال ضریب کاپا

حوزه های تخصصی:
تعداد بازدید : ۵۵۰۷ تعداد دانلود : ۲۴۰۷
یکی از ضروری ترین اطلاعات مورد نیاز مدیران و متولیان منابع طبیعی، نقشه های کاربری اراضی می باشد. داده های ماهواره ای، به جهت ارایه ی اطلاعات به هنگام و رقومی، تنوع اشکال و امکان پردازش در تهیه ی نقشه های کاربری اراضی از اهمیت بالایی برخوردارند. از سویی دیگر در سال های اخیر به طور وسیع و گسترده جهت طبقه بندی تصاویر ماهواره ای از روش های طبقه بندی پیشرفته از قبیل شبکه های عصبی مصنوعی، مجموعه های فازی و سیستم های هوشمند استفاده می شود. هدف اصلی این تحقیق مقایسه ی دو روش مختلف جهت طبقه بندی کاربری اراضی با استفاده از تصاویر ASTER می باشد. بدین منظور با استفاده از تصویر ماهواره ای ASTER و دو الگوریتم طبقه بندی نظارت شده شامل حداکثر احتمال و شبکه ی عصبی مصنوعی، نقشه ی کاربری اراضی تهیه گردید. در طبقه بندی با استفاده از الگوریتم شبکه ی عصبی از یک شبکه ی پرسپترون با یک لایه ی پنهان و 14 نرون ورودی، 9 نرون میانی و 6 نرون خروجی استفاده شده است که تعداد نرون های ورودی همان تعداد باندهای تصویر ماهواره ای ASTER و تعداد نرون های خروجی همان تعداد کلاس های نقشه ی کاربری اراضی می-باشد. برای آموزش شبکه نیز از الگوریتم انتشار برگشتی استفاده شده است. نتایج حاصل از ارزیابی دقت این دو روش با استفاده از تعیین ضریب کاپا نشان داده است که الگوریتم شبکه ی عصبی با ضریب 86/0 نسبت به الگوریتم حداکثر احتمال با ضریب 69/0 از دقت بیشتری برخوردار است. نتایج این مطالعه همچنین نشان می دهد الگوریتم های سنتی طبقه-بندی مانند روش های آماری به خاطر انعطاف پذیری پایین و انواع پارامتریک آن مانند روش حداکثر احتمال به خاطر وابستگی به مدل آمار گوسی نمی توانند نتایج بهینه ای، در صورت نرمال نبودن داده های آموزشی فراهم آورند در حالیکه دلیل موفقیت الگوریتم شبکه ی عصبی مصنوعی در سنجش از دور این است که می تواند داده هایی با منابع مختلف را با هم تلفیق نماید.
۱۳.

مقایسه روش های نروفازی، شبکه عصبی و رگرسیون چند متغیره در پیش بینی برخی خصوصیات خاک (مطالعه موردی: استان گلستان)(مقاله علمی وزارت علوم)

نویسنده:
منبع: تحقیقات آب و خاک ایران دوره چهل و یکم سال ۱۳۸۹ شماره ۲

کلیدواژه‌ها: رگرسیون چند متغیره شبکه عصبی مصنوعی نروفازی خصوصیات خاک

حوزه های تخصصی:
  1. حوزه‌های تخصصی جغرافیا جغرافیای طبیعی جغرافیای خاکها
  2. حوزه‌های تخصصی جغرافیا فنون جغرافیایی روش های کمی در جغرافیا
تعداد بازدید : ۲۹۷۶ تعداد دانلود : ۱۴۹۰
با توجه به مشکلات اندازه گیری مستقیم برخی از ویژگیهای خاک، در سال های اخیر از روش های غیر مستقیم برای برآورد این خصوصیات استفاده میشود. بدین منظور، در این پژوهش140 نمونه جمع آوری شده از منطقه گرگان مورد آزمایش قرار گرفته و فراوانی نسبی ذرات، کربن آلی، درصد رطوبت اشباع و آهک به عنوان ویژگیهای زودیافت و نقطه پژمردگی، ظرفیت زراعی، ظرفیت تبادل کاتیونی و وزن مخصوص ظاهری به عنوان ویژگیهای 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. به منظور پیش بینی خصوصیات مذکور، از مدل های نروفازی، شبکه عصبی مصنوعی و رگرسیون چند متغیره استفاده گردید. نتایج ارزیابی مدل ها بر اساس شاخص های ریشه مربعات خطا، میانگین خطا، خطای استاندارد نسبی و ضریب تبیین نشان داد که مدل نروفازی دارای بالاترین دقت در پیش بینی ویژگیهای خاک را دارا میباشد بطوریکه این مدل به میزان 34، 10، 78 و 5 درصد دقت پیش بینی ویژگیهای FC، PWP، CEC و Bd را به ترتیب، نسبت به روش رگرسیون خطی چندگانه افزایش داده است. بعد از این مدل، شبکه های عصبی مصنوعی نسبت به معادلات رگرسیونی کارائی بهتر داشته است.
۱۴.

کاربرد شبکه عصبی مصنوعی در شبیه سازی عناصر اقلیمی و پیش بینی سیکل خشکسالی مطالعه موردی: استان اصفهان(مقاله علمی وزارت علوم)

نویسنده:
منبع: جغرافیا و برنامه ریزی محیطی سال بیست و یکم پاییز ۱۳۸۹ شماره ۳ (پیاپی ۳۹)

کلیدواژه‌ها: شبکه عصبی مصنوعی استان اصفهان پیش­بینی خشکسالی پرسپترون چندلایه مارکوارت لونبرگ

حوزه های تخصصی:
تعداد بازدید : ۳۵۴۹ تعداد دانلود : ۱۲۶۹
در این­ پژوهش، از شبکه­های عصبی مصنوعی ( Artificial Neural Networks ) به عنوان ابزاری توانمند در مدل سازی فرآیندهای غیرخطی و نامعین، به منظور پیش­بینی سیکل خشکسالی در20 ایستگاه سینوپتیک، کلیماتولوژی و هیدرومتری استان اصفهان که حداقل20 سال آمار روزانه داشتند، استفاده شد. از نرم­افزار MATLAB-7 و در شاخه Neural Network ، برای پیش­بینی وتجزیه و تحلیل عناصراقلیمی کمک گرفته شد. ورودی مدل­های ANN ، داده­های میانگین­ماهانه بارش، دبی حداقل و دمای­بیشینه است که این داده­ها، بازه زمانی سال­های1360 تا1383 را در بر می­گیرند. اطلاعات20 ساله برای آموزش مدل ­ ها و 4 سال باقی مانده برای آزمایش آن­ها به کاررفته است. شبکه مورد استفاده از نوع پرسپترون چندلایه ( Multi - layer P erceptron ) با الگوریتم پس­انتشارِخطا ( Back Propagation ) و تکنیک یادگیری مارکوارت- لونبرگ ( Train LM: Levenberg-Marquardt ) است. ساختارهای گوناگونی از شبکه عصبی با تغییر در لایه­های ورودی (6 مدل)، تعداد گره­ها در لایه­های پنهان و خروجی (2 الی20 گره) ایجاد گردید. نتایج حاصل از تحقیق حاضر، نشان می­دهد که در ­ میان الگوهای مورد بررسی، دمای­بیشینه، دبی و بارش، نقش مثبتی در پیش­بینی خشکسالی­های استان اصفهان داشته، با کاربرد شبکه عصبی مصنوعی می­توان با دقت بالای 95 درصد، سیکل خشکسالی استان را پیش­بینی نمود.
۱۵.

پیش بینی رضامندی زناشویی برمبنای ویژگیهای شخصیتی: مقایسه مدل شبکه عصبی مصنوعی و روش رگرسیون(مقاله پژوهشی وزارت بهداشت)

نویسنده:
منبع: علوم رفتاری سال چهارم پاییز ۱۳۸۹ شماره ۳ (پیاپی ۱۳)

کلیدواژه‌ها: رضامندی زناشویی شبکه عصبی مصنوعی رگرسیون چندگانه ویژگیهای شخصیتی پرسپترون چندلایه

حوزه های تخصصی:
  1. حوزه‌های تخصصی روانشناسی روانشناسی شخصیت
  2. حوزه‌های تخصصی روانشناسی مشاوره مشاوره خانواده
تعداد بازدید : ۱۶۶۹
ضرور ی است که با بررسی دقیق مدل های پیش بینیکننده جدید و دارای قابلیت های مضاعف، ضمن مقایسه با روش های آماری متداول و یافتن نقاط قوت و ضعف هر یکاز آنها، بتوان در پژوهش های آتی مدلی که محققان را به بهترین پیش بینی رهنمون سازد، پیشنهاد نمود. هدف از پی­ریزی این پژوهش، مقایسه توانایی مدل شبکه عصبی و رگرسیون در پیش بینی رضامندی زناشویی بر­اساس ویژگیهای شخصیتی بود. روش: ا ین پژوهش همبستگی، روی 300 زوج که به روش نمونه­گیری تصادفی چندمرحله ای از میان دانشجویان متاهل 3 دانشگاه شهر تهران در سال 1387 انتخاب شدند، به انجام رسید. آزمودنی­ها پرسش­نامه های NEO-FFI و رضایت زناشویی ENRICH را تکمیل کردند . داده ها به کمکشبکه عصبی مصنوعی پرسپترون چندلایه ، رگرسیون چندگانه، آزمون معنی داری ضریب همبستگی پیرسون و آزمون T مستقل با نرم­افزار MATLAB 6.5 و SPSS 16 مورد تجزیه و تحلیل قرار گرفت. یافته­ها: شبکه عصبی پرسپترون چندلایه به طور معنی داری موفق تر از رگرسیون چندگانه توانست رضایت زناشویی را پیش بینی نماید (05/0>p). سه عامل روان آزرده گرایی مرد، مسئولیت پذیری مرد و مسئولیت پذیری زن توانستند 4/24% واریانس رضامندی زناشویی مردان را به طور معنی داری تبیین نمایند (037/0> p ). نتیجه­گیری: نتایج این پژوهش زمینه را برای طراحی شبکه عصبی با قابلیت پیش بینی رضامندی زناشویی فراهم میآورد که تاثیر شایانی در کیفیت مشاوره های خانواده در ا ی ران خواهد داشت
۱۶.

پیش بینی ورشکستگی شرکت های تولیدی با استفاده از شبکه های عصبی مصنوعی (مطالعه موردی: شرکت های تولیدی استان کرمان)(مقاله علمی وزارت علوم)

نویسنده:
منبع: اقتصاد مقداری بهار ۱۳۸۸ شماره ۱ (پیاپی ۲۰)

کلیدواژه‌ها: ایران پیش بینی شبکه عصبی مصنوعی شرکت های تولیدی ورشکستگی

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 : ۲۵۳۸ تعداد دانلود : ۱۴۶۴
یکی از مهم ترین موضوع های مطرح شده در مدیریت مالی، تشخیص فرصت های مطلوب سرمایه گذاری توسط سرمایه گذاران از فرصت های نامطلوب است. یکی از راه هایی که می توان با استفاده از آن به بهره گیری مناسب از فرصت های سرمایه گذاری و همچنین جلوگیری از به هدر رفتن منابع کمک کرد، پیش بینی ورشکستگی شرکت ها است. برای این منظور مدل های مختلفی وجود دارد. در این پژوهش جهت پیش بینی ورشکستگی شرکت های تولیدی استان کرمان، از مدل شبکه های عصبی استفاده شده است.
۱۷.

پیش بینی میزان موفقیت کارآفرینان روستایی شهرستان کرمانشاه با استفاده از تحلیل شبکه عصبی مصنوعی(ANN)(مقاله علمی وزارت علوم)

نویسنده:
منبع: برنامه ریزی منطقه ای دانشگاه آزاد مرودشت بهار ۱۳۹۰ شماره ۱

کلیدواژه‌ها: کارآفرینی شبکه عصبی مصنوعی موفقیت کارآفرینان پیش بینی میزان موفقیت

حوزه های تخصصی:
تعداد بازدید : ۱۷۰۲ تعداد دانلود : ۸۳۹
افزایش نرخ بیکاری، سرمایه بر بودن طرح ها و ... موجب افزایش شکاف میان طبقات درآمدی و اشتغال کاذب شده است. چنین پیامدهای مخربی که ریشه در فقدان فرصت های شغلی مناطق داشته است، موجب گردیده تا کشورهای در حال توسعه استراتژی های جدیدی را با هدف رشد فرصت های شغلی به صورت غیرمتمرکز به کار گیرند. در این راستا، استراتژی کارآفرینی، در جهت دستیابی به اهداف فوق، در بسیاری از کشورها مورد استفاده قرار گرفته است. نوشتار حاضر با هدف پیش بینی میزان موفقیت کارآفرینان روستایی شهرستان کرمانشاه به وسیله تحلیل شبکه عصبی مصنوعی انجام شده است. جامعه آماری قابل دسترس در این مطالعه 68 نفر از کارآفرینان شهرستان کرمانشاه بوده که در آن گردآوری داده های موردنیاز از طریق سرشماری انجام شده است. ابزار جمع آوری داده ها پرسشنامه بود که روایی آن از طریق پانل متخصصین و پایایی آن به وسیله آلفای کرونباخ (0.79) انجام گرفت. جهت پیش بینی میزان موفقیت کارآفرینان روستایی از نرم افزار MATLAB استفاده شده است. که پس از طراحی شبکه مناسب جهت پیش بینی میزان موفقیت به یازده شبکه با میزان دقت قابل قبول دست یافتیم. از این یازده شبکه می توان جهت شناسایی کارآفرینان موفق استفاده نمود. در پایان پیشنهادهایی جهت بهبود کار ارائه شده است.
۱۸.

رده بندی خودکار: رویکردها و چالشهای رده بندی خودکار(مقاله علمی وزارت علوم)

نویسنده:
منبع: کتابداری و اطلاع رسانی دوره دهم تابستان ۱۳۸۶ شماره ۲ (پیاپی ۳۸)

کلیدواژه‌ها: شبکه عصبی مصنوعی اصطلاحنامه رده بندی خودکار سازماندهی منابع اینترنتی

حوزه های تخصصی:
  1. حوزه‌های تخصصی علم اطلاعات و دانش‌شناسی علوم کتابداری فهرست نویسی و رده بندی
  2. حوزه‌های تخصصی علم اطلاعات و دانش‌شناسی علوم اطلاع رسانی خدمات اطلاع رسانی مدیریت اطلاعات سازماندهی اطلاعات
  3. حوزه‌های تخصصی علم اطلاعات و دانش‌شناسی علوم کتابداری نمایه سازی و چکیده نویسی اصطلاح نامه ها و هستی شناسی ها
تعداد بازدید : ۱۷۴۵ تعداد دانلود : ۸۲۶
سازماندهی و مدیریت منابع اینترنتی، همواره یکی از دغدغه های دانشمندان علوم رایانه و اطلاع رسانی است. امروزه همین متخصصان به این نتیجه رسیده اند که علم کتابداری در زمینة رویارویی با وضعیت آشفتة اطلاعات میتواند نقش برجسته ای ایفا کند. از آنجا که رده بندی، فعالیتی وقت گیر و پرهزینه بوده و رده بندی منابع اینترنتی برای فهرست نویسان دشوار میباشد، تحقیقات زیادی برای انجام رده بندی به صورت خودکار صورت گرفته است. کاربرد شبکه های عصبی مصنوعی با توجه به ضعف روشهای آماری و زبانشناسی رایانه ای در عملی کردن فعالیت رده بندی خودکار، رو به افزایش است.
۱۹.

کاربرد شبکه عصبی مصنوعی در مدل سازی توسعه شهری (مطالعه موردی: شهر گرگان)(مقاله علمی وزارت علوم)

نویسنده:
منبع: پژوهشهای جغرافیای انسانی تابستان ۱۳۹۰ شماره ۷۶

کلیدواژه‌ها: گرگان شبکه عصبی مصنوعی مدل سازی رشد شهری ROC مدل تبدیل پوشش زمین

حوزه های تخصصی:
تعداد بازدید : ۳۰۱۲ تعداد دانلود : ۱۴۰۰
مدل های شبکه عصبی مصنوعی از مدل های اطلاعات محور به شمار می آیند. مدل تبدیل کاربری/ پوشش زمین، از مدل هایی است که شبکه عصبی مصنوعی را با سیستم اطلاعات جغرافیایی مرتبط می سازد و برای مدل سازی توسعه شهری در شهر گرگان در دوره زمانی سال های 2001-1987 از همین مدل استفاده شد. این مدل از 6 برنامه کاربردی که در برنامه MS-DOS اجرا می شود، تشکیل شده است. در این مطالعه، سه گروه از متغیرها شامل متغیرهای بیوفیزیکی، اقتصادی - اجتماعی و کاربری زمین به کار برده شد. ده متغیر موثر بر توسعه شهری از سه گروه مذکور به عنوان نود ورودی و متغیر وابسته تغییرات شهری به عنوان نود خروجی مورد استفاده قرار گرفتند. استفاده از نود مخفی، برای شناسایی ارتباطات غیرخطی در مدل بوده است. انجام مدل در چرخه 3000 دارای کمترین میزان خطای مجذور میانگین مربعات بود؛ لذا از این چرخه برای استخراج مناطق توسعه شهری آینده و حساسیت سنجی مدل استفاده گردید. برای تایید مدل از تصویر احتمال این چرخه استفاده شد که رویکرد آماریRelative Operating Characteristic (ROC) برای آن 0.75 برآورد گردید و باعث تایید مدل در شرایط پیش گفته شد. با استفاده از این تصویر، الگوی توزیع شهری برای سال های 2010، 2020، 2030 و 2040 استخراج گردید. اثر نسبی متغیرها با استفاده از ROC و با روش حذف یک متغیر، و اجرای مدل با متغیرهای باقی مانده و مقایسه با مدل کامل برآورد گردید. برای انجام این کار، 11 شبکه با داده های کامل و داده های بدون یک متغیر ایجاد شد و مراحل آموزش و آزمون برای همه آنها به اجرا درآمد. متغیرهای کاربری زمین های تحت کاشت، تعداد سلول های شهری و کاربری مرتعی دارای بیشترین اثر در دوره زمانی مورد مطالعه بودند؛ و متغیرهای فاصله تا مراکز آموزشی، کاربری جنگل و زمین های بایر کمترین اثر را بر رشد شهری گرگان داشتند؛ به عبارت دیگر، مشخص شد که نوع کاربری منطقه تاثیر زیادی بر توسعه شهری در گرگان دارد.
۲۰.

ارزیابی کیفیت خدمات سازمان اسناد و کتابخانه ملی جمهوری اسلامی ایران و سنجش رضایتمندی استفاده کنندگان با استفاده از شبکه عصبی(مقاله علمی وزارت علوم)

نویسنده:
منبع: مطالعات ملی کتابداری و سازماندهی اطلاعات (کتاب سابق) سال بیست و سوم پاییز ۱۳۹۱ شماره ۳ (پیاپی ۹۱)

کلیدواژه‌ها: شبکه عصبی مصنوعی آنالیز حساسیت EFQM مرکز اسناد و کتابخانه ملی ایران

حوزه های تخصصی:
تعداد بازدید : ۱۳۲۵ تعداد دانلود : ۶۵۳
هدف: کیفیت خدمات ارائه شده در مرکز اسناد و کتابخانه ملی ایران براساس مدل تعالی بنیاد اروپایی مدیریت کیفیت ارزیابی شده و سپس با استفاده از شبکه عصبی مصنوعی، رضایتمندی کاربران از خدمات پیش بینی شده است. روش/ رویکرد پژوهش: روش پژوهش از نوع کاربردی می باشد که به روش پیمایشی و با رویکرد کمّی با توزیع پرسشنامه بین نمونه ای از افراد جامعه است که با استفاده از شبکه عصبی مصنوعی کیفیت خدمات ارائه شده توسط کتابخانه ملی را مورد ارزیابی قرار می دهد و با انجام آنالیز حساسیت مؤثرترین و کم اثرترین مؤلفه ها تعیین می شود. یافته ها: با انجام آنالیز حساسیت در شبکه مؤثرترین مؤلفه محصولات و خدمات با میانگین مجذور خطای 0613/0 و زیرمؤلفه روزآمدی اطلاعات با میانگین مجذور خطای 1225/0 و کم اثرترین مؤلفه وفاداری با میانگین مجذور خطای 0089/0 و زیرمؤلفه تمایل به معرفی کتابخانه به سایرین با میانگین مجذور خطای 0132/0 تعیین شد. نتیجه گیری: از نظر کاربران کتابخانه، مؤلفه محصولات و خدمات مهم ترین مؤلفه، و وفاداری کم اثرترین مؤلفه است. برای کاربران روزآمدی اطلاعات در اولویت قرار دارد.