مطالب مرتبط با کلیدواژه
۲۱.
۲۲.
۲۳.
۲۴.
۲۵.
۲۶.
۲۷.
۲۸.
۲۹.
۳۰.
۳۱.
۳۲.
۳۳.
۳۴.
۳۵.
۳۶.
۳۷.
۳۸.
۳۹.
۴۰.
شبکه عصبی مصنوعی
حوزه های تخصصی:
در این پژوهش به مطالعه توان پیش بینی طیف وسیعی از مدل های ناهمسانی واریانس شرطی (G)ARCH طی یک دوره 126 ماهه بر روی بازده روزانه شاخص کل بورس تهران (TEDPIX) پرداخته شده است. نتایج بررسی این مدل ها تایید کننده وجود سه ویژگی نوسان خوشه ای، عدم تقارن و نیز غیر خطی بودن، در سری زمانی بازده می باشد. سپس با هدف افزایش قدرت پیش بینی، این مدل ها با شبکه های عصبی مصنوعی ترکیب شده اند و نتایج حاصل از طرق گوناگونی مورد آزمون قرار گرفته است. این نتایج نشان می دهد مدل های ترکیبی گارچ توان ـ میانگین، گارچ نمایی ـ میانگین و مدل GJR، کمترین خطای پیش بینی را داشته اند. بررسی تغییرات جهت نوسان نشان می دهد مدل های ترکیبی همسویی بیشتری با نوسان واقعی نسبت به مدل های پایه ای گارچ دارند. همچنین مدل های ترکیبی گارچ توانی نامتقارن، گارچ- میانگین نمایی و گارچ- میانگین توانی بطور معنی داری خطای پیش بینی کمتری نسبت به مدل های پایه ای خود داشته اند.
رهیافت الگوسازی تلفیقی برای پیش بینی قیمت محصولات کشاورزی(مقاله علمی وزارت علوم)
حوزه های تخصصی:
یکی از پرکاربردترین الگوهای پیش بینی سری زمانی طی سه دهه اخیر، الگوی خود توضیح جمعی میانگین متحرک (ARIMA) می باشد. مطالعات اخیر در زمینه پیش بینی با شبکه عصبی مصنوعی موید برتری این روش بر الگوهای خطی سنتی است. این در حالی است که هیچ یک از این روش ها از کفایت لازم در پیش بینی سری های زمانی برخوردار نمی باشند. زیرا الگوی ARIMA توانایی شناخت روابط غیرخطی را نداشته و ANN به تنهایی قادر به شناسایی و بررسی هم زمان هر دو الگوی خطی و غیر خطی نمی باشد. از این رو با ترکیب الگوهایARIMA و ANN و طراحی الگوی تلفیقی روابط موجود در داده ها با دقت بیشتری الگوسازی می شود. در مطالعه حاضر، الگوی تلفیقی ARIMA و ANN طراحی و دقت پیش بینی آن با الگوهای رقیب مقایسه شده است. دقت پیش بینی الگوها با استفاده از معیارهای معمول نظیر MSE، RMSE و MAE و همچنین معنی داری اختلاف میان معیارهای فوق با استفاده از آماره گرنجر و نیوبولد بررسی و آزمون شد. نتایج پیش بینی های قیمت گندم حاکی از آن است که الگوی تلفیقی به طور معنی داری دقت پیش بینی به دست آمده از الگوهای انفرادی را افزایش می دهد.
کاربرد مدل های شبکه عصبی و ARIMA در پیش بینی قیمت گازوییل(مقاله علمی وزارت علوم)
حوزه های تخصصی:
این مطالعه با هدف معرفی الگوهای مطلوب پیش بینی برای قیمت گازوییل در بازار انرژی سنگاپور به عنوان بازار مؤثر بر قیمت گازوییل در خاورمیانه انجام شد. داده های مورد استفاده به صورت هفتگی و شامل دوره (2010-1987) می باشد. پیش بینی ها برای 10، 20 و 30 درصد داده ها صورت گرفت. الگوهای مورد استفاده برای پیش بینی شامل چهار الگوی شبکه عصبی و یک الگوی رگرسیونی (خودرگرسیون میانگین متحرک) بود. شبکه های منتخب شامل شبکه پیشخور پس انتشار، شبکه آبشاری پس انتشار، شبکه المان پس انتشار و شبکه رگرسیون تعمیمیافته می باشد. همچنین، توابع آموزش مورد استفاده در پیش بینی شامل توابع لونبرگ- مارکوآت و شبه نیوتنی است. یافته ها در مورد تمام گروه از داده ها، کمترین خطای پیش بینی در شبکه را نشان دادند که از تابع آموزش لونبرگ- مارکوآت استفاده می کند. همچنین، مشخص شد برای پیش بینی 20 و 30 درصد داده ها شبکه المان پس انتشار و برای پیش بینی 10 درصد داده ها شبکه پیشخور پس انتشار دارای کمترین خطای پیش بینی هستند. همچنین، نتایج نشان دادند شبکه رگرسیون تعمیمیافته و الگوی رگرسیونی خودرگرسیون میانگین متحرک در مقایسه با سه شبکه دیگر از دقت قابل رقابتی برخوردار نیستند. البته یافته های آماره دیبلد- ماریانو نشان دادند که میان شبکه های دارای کمترین خطای پیش بینی از لحاظ آماری تفاوت معناداری در دقت پیش بینی وجود ندارد. برای قیمت گازوییل به طور نسبی استفاده از 80 درصد از داده ها برای آموزش و 20 درصد برای پیش بینی در مقایسه با سایر ترکیب از داده ها خطای پیش بینی کمتر نشان داد. بر اساس نتایج به دست آمده می توان با استفاده از شبکه های پیشنهادی مطالعه به پیش بینی هایی با خطای حدود 2 درصد دست یافت.
پیش بینی قیمت مسکن در شهر تبریز:کاربرد مدل های قیمت هدانیک و شبکه عصبی مصنوعی(مقاله علمی وزارت علوم)
حوزه های تخصصی:
هدف اصلی این مطالعه مقایسه قدرت پیش بینی دو مدل رگرسیون هدانیک و شبکه عصبی مصنوعی (ANN) و تعیین یک مدل بهینه برای پیش بینی قیمت هدانیک مسکن درکلان شهر تبریز می باشد. نتایج تخمین تابع قیمت هدانیک بیانگر آن است که اکثر متغیرها معنا دار بوده و دارای علامت مورد انتظار می باشند. عوامل فیزیکی بیشتر از عوامل مکانی(محیطی و دسترسی) قیمت واحدهای مسکونی را تحت تأثیر قرار می دهند. همچنین، از بین ویژگی های فیزیکی، دارابودن سالن اجتماعات، دارا بودن استخر، تعداد اتاق ها و نمای ساختمان مهم ترین عوامل مؤثر بر قیمت مسکن هستند. مهم ترین ویژگی مکانی اثر گذار بر قیمت نیز، فاصله تا مراکز آموزشی می باشد. به منظور مقایسه قدرت پیش بینی از معیارهای MSE، RMSE، MAE و R2 استفاده شده گردید. براساس کلیه معیارها، مدل شبکه عصبی مصنوعی خطای کمتر و در نتیجه کارایی بیشتری در پیش بینی قیمت هدانیک مسکن داشته است. همچنین، برای اینکه از لحاظ آماری نیز فرضیه برابری قدرت پیش بینی در مدل های رقیب مورد آزمون قرار گیرد از آزمون مرگان-گرنجر- نیوبلد (MGN) استفاده شده گردید که نتایج آزمون بیانگر آن است که روش شبکه عصبی مصنوعی از لحاظ آماری نیز برتر از مدل هدانیک می باشد.
مقایسه کارآیی مدل های شبکه های عصبی مصنوعی و رگرسیون برای پیش بینی بار رسوب جریان مطالعه موردی حوضه آبخیز سمندگان(مقاله علمی وزارت علوم)
حوزه های تخصصی:
یک سیستم رودخانهای یک سیستم بازاست که از درگیر شدن ارتباطات مختلف و پیچیده شکل می گیرد. خصوصیات ذاتی حوضه ها از یک سو و عوامل خارجی از سوی دیگر رفتارهای رودخانه را متاثر می سازد.وجود ارتباطات متقابل متعدد از جمله ارتباطات جریان ورسوب حمل شده وتاثیر عوامل ژئومورفولوژی حوضه و مدل سازی آن از اهمیت ویژه ای برخوردار است.در این مطالعه دونوع شبکه عصبی مصنوعی ژئومورفولوژیکی و غیر ژئومورفولوژیکی برای پیش بینی بار رسوب جریان رودخانه سمندگان طراحی گردید و نتایج آن با دو نوع مدل رگرسیونی ژئومورفولوژیکی و غیر ژئومورفولوژیکی مورد مقایسه قرار گرفت. نتایج طراحی شبکه های عصبی مبین کارآیی خوب شبکه های چند لایه ی پرسپترون با الگوریتم یادگیری پس انتشار خطا است. نتایج نشان داد که شبکه عصبی ژئومورفولوژیکی با ضریب تبیین 862/0 و مجذور میانگین مربعات خطای 815/1 در مقایسه شبکه عصبی غیر ژئومورفولوژیکی با ضریب تبیین 827/0و معیار خطای031/2 میزان رسوب جریان را بهتر پیشبینی می کند. نتایج ارزیابی مدل های رگرسیونی مبین عملکرد ضعیفتر آن ها در مقایسه با روش شبکه عصبی مصنوعی است به طوری که ضریب تبیین مدل رگرسیونی ساده غیر ژئومورفولوژیکی 759/0و معیار خطای 395/2 و ضریب تبیین مدل رگرسیونی ژئومورفولوژیکی برابر 811/0 با معیار خطای معادل 142/2 است. همچنین از مقایسه نتایج مدل های مختلف چنین استنباط می شود زمانی که پارامترهای ژئومورفولوژیکی نظیر شاخص ناهمواری، شاخص گردی و شاخص تراکم زهکشی در مدل سازی وارد شوند نتایج ارزیابی آن ها مناسبتر می شود.
بررسی تاثیرات وقوع خشکسالی های اخیر در تشدید فرسایش خندقی و رخداد لغزش ها، درحوضه آذرشهرچای، با استفاده از روش شبکه عصبی مصنوعی(مقاله علمی وزارت علوم)
حوزه های تخصصی:
حوضه های زهکشی نواحی نیمه خشک، به لحاظ حاکمیت شرایط خاص، نسبت به وقوع خشکسالی ها حساسیت زیادی را ازخود نشان می دهند. عکس العمل این حوضه ها نسبت به وقوع خشکی سطوح دامنه ها، به صورت از بین رفتن پوشش گیاهی، تشدید فرسایش آبراهه ای وخندقی و وقوع لغزش های متعدد در کنار مسیرهای جریان آب ها جلوه گر می شود. حوضه آذرشهر ( واقع درمختصات جغرافیایی از'36 ˚37 تا ' 49 37 عرض شمالی و از'20 ˚44 الی '49 45 طول شرقی ) به عنوان یکی از حوضه های توده کوهستانی سهند، دراثر وقوع خشکسالی های اخیر تغییرات قابل ملاحظه ای را بر عملکرد فرآیندهای ژئومورفولوژیک و در نتیجه، در اشکال ناشی از آنها تجربه کرده است. بررسی تغییرات آب های سطحی وزیرسطحی، ویژگی های شیمیایی آب ها، داده های رسوب رودخانه ها و...، با استفاده از داده های جمع آوری شده در طی سال های آماری، حاکی از تاثیرپذیری این ویژگی ها از وقوع خشکسالی هاست. در این مقاله، به منظور تعیین میزان تغییرات ژئومورفولوژیک ناشی از وقوع خشکسالی ها در محدوده مورد مطالعه، کلیه متغیرهای مورد نیاز تحلیل وبا استفاده از تکنیک تحلیل شبکه عصبی مصنوعی بررسی گردید و نقشه نهایی نیز با به کارگیری Arc/view ترسیم شد. نتیجه حاصل از این تحلیل ها و انطباق آنها با واقعیات زمینی، حاکی از این است که بخش های مختلف حوضه ازوقوع خشکسالی های اخیرکاملاً متاثر شده است، اما میزان و شدت تاثیرگذاری خشکسالی ها در پیدایش و توسعه پدیده های ژئومورفولوژیک دربخش های جنوبی، انتهای غربی وشرقی حوضه وقسمت های جنوبی بیشتر بوده است. در این بخش ها دامنه ها به شدت بر اثر وقوع خشکسالی ها آسیب دیده اند و خندق های عمیقی نیزشکل گرفته است.
پیش بینی جریان رودخانه های کارون شمالی با استفاده از شبکه عصبی مصنوعی(مقاله علمی وزارت علوم)
حوزه های تخصصی:
پیش بینی جریان رودخانه ها نقش بسزایی در برنامه ریزی، مدیریت و بهره برداری از منابع آب دارد . هدف اصلی این تحقیق بررسی امکان پیش آگاهی و پیش بینی دبی رودخانه های کارون شمالی (رودخانه ارمند و بازفت) با استفاده از روش های نوین شبیه سازی می باشد . در این مطالعه نوسانات جریان رودخانه های ارمند و بازفت در ارتباط با سیگنالهای بزرگ مقیاس اقلیمی بررسی شده است. بدین منظور از داده های ماهانه شاخص نوسان جنوبی (SOI )، نوسان اطلس شمالی (NAO) و پدیده ENSO در مناطق NINO4،NINO3 ، NINO3.4 و NINO1+2 استفاده گردید. تمامی داده های مربوط به سیگنال های اقلیمی از مرکز داده های آنالیز شده NCEP دریافت شد. داده های مربوط به دبی روزانه ایستگاه های هیدرومتری ارمند و مرغک نیز از مرکز داده های وزارت نیرو تهیه گردید. در این مطالعه به منظور طراحی بهینه معماری شبکه عصبی مصنوعی جهت پیش بینی دبی رودخانه ها براساس سیگنال های اقلیمی از الگوریتم ژنتیک بهره گرفته شد. نتایج تحقیق نشان داد که سیگنال های ENSO در ناحیه NINO1+2 و NINO3 به عنوان موثرترین سیگنال بر تغییرات جریان رودخانه های ارمند و بازفت هستند و برای پیش آگاهی از وضعیت دبی رودخانه های کارون شمالی می توان از سیگنال های فوق استفاده کرد.
کاربرد شبکه ی عصبی مصنوعی در شبیه سازی و پیش بینی سیلاب در حوضه ی آبریز سرباز(مقاله علمی وزارت علوم)
حوزه های تخصصی:
بروز سیلاب های سهمگین در اثر تغییرات آب و هوایی طیّ دهه های اخیر سبب بروز خسارات فراوانی در نواحی مختلف دنیا شده است. در نواحی خشک تأثیر این تغییرات محسوس تر است. در این بین استان سیستان و بلوچستان با آب و هوای گرم و خشک، مستعد وقوع سیل می باشد. حوضه ی آبریز سرباز که در قسمت های جنوبی این استان پهناور قرار گرفته، متأثر از شرایط موجود هرساله شاهد وقوع سیل و نتایج مخرب آن می باشد.
هدف از این پژوهش پیش بینی سیلاب رودخانه ی سرباز با شبکه عصبی مصنوعی می باشد. در این پژوهش از سه شبکه پرسپترون چندلایه، پس انتشار و Radial Basis جهت پیش بینی سیلاب رودخانه ی سرباز استفاده شد و نتایج این شبکه ها با مدل رگرسیون چند متغیّره مقایسه شده است. برای این منظور از داده های روزانه اقلیمی و هیدرولوژیکی سه ایستگاه سرباز، ایرانشهر و پیردان طیّ یک دوره ی 28 ساله (مهر 1360 تا شهریور 1388) استفاده شد. با بررسی همبستگی بین این داده ها و دبی رودخانه سرباز پارامترهای مؤثر بر سیلاب تعیین شد. پس از نرمالیزه کردن داده ها، مدل های مختلف ایجاد شد.
بررسی نتایج نشان داد که شبکه ی منتخبRadial Basisبا همبستگی 97/0 در مرحله ی آموزش و 714/0 در مرحله ی آزمایش و خطای کمتر نسبت به سایر شبکه ها به عنوان بهترین مدل در بین انواع شبکه ی عصبی شناخته شد. مقایسه ی نتایج این شبکه و مدل رگرسیونی نشان می دهد که مدل شبکه عصبی عملکرد مناسب تری دارد و پیش بینی بهتری نسبت به روش رگرسیونی از سیلاب رودخانه ی سرباز ارائه می دهد.
طبقه بندی تاج پوشش جنگل بر روی عکس های هوایی با استفاده از تجزیه و تحلیل بافتی (مطالعه موردی: جنگل تاف لرستان)(مقاله علمی وزارت علوم)
حوزه های تخصصی:
مدیریت درست و هوشمند منابع جنگلی مستلزم به کارگیری داده های دقیق و روزآمد است. عکس های هوایی یکی از منابع مناسب برای این امر به شمار می آیند. در پژوهش حاضر، برای تهیه نقشه تراکم تاج پوشش جنگل از الگوهای بافت عکس های هوایی و مدل های شبکه عصبی مصنوعی، متوازی السطوح، حداقل فاصله و حداکثر احتمال استفاده گردید. منطقه مورد مطالعه در غرب کشور و ناحیه زاگرس مرکزی واقع شده است. مقدار میانگین مربعات خطا برای عکس های هوایی ارتوفتوشده با قدرت تفکیک مکانی 56/0 متر برابر با 2/0 پیکسل به دست آمد. ارتوفتوها با رعایت تعادل رادیومتریکی به ارتوفتوموزاییک برای ایجاد دید کلی از منطقه تبدیل گردیدند. باندهای مختلف حاصل از تجزیه و تحلیل بافتی با ماتریس هم وقوعی به ابعاد 3 3 تهیه گردیدند. در الگوی بافت، پنجره 10 10 پیکسلی به دلیل همگنی در سطح نمونه ها برای آموزش بهینة خوارزمیک ها مناسب تشخیص داده شد. در این بررسی امکان تفکیک 4 کلاس از تراکم تاج پوشش جنگل های مورد مطالعه با صحت بالاتر بر روی تصاویر بافت به نسبت تصویر خام مقدور گردید. نتایج حاصل از ارزیابی نقشه های خروجی نشان داد که شبکه عصبی مصنوعی با صحت کلی و ضریب کاپا به ترتیب 85 درصد و 8/0 در طبقه بندی تصاویر حاصل از تجزیه و تحلیل بافتی در مقایسه با دیگر روش های مورد استفاده در این تحقیق بهتر عمل می کنند.
پیش بینی قیمت سهام شرکت فرآورده های نفتی پارس با استفاده از شبکه عصبی و روش رگرسیونی مطالعه موردی: قیمت سهام شرکت فرآورده های نفتی پارس(مقاله علمی وزارت علوم)
حوزه های تخصصی:
یکی از راه های تامین سرمایه برای سرمایه گذاری، انتشار اوراق قرضه و سهام از طریق بازار بورس می باشد. افراد در این بازار انتظار دستیابی به سود را دارند. اولین و مهم ترین عاملی که در اتخاذ سرمایه گذاری در بورس فراروی سرمایه گذار قرار دارد عامل قیمت سهام است که به تبع آن مقوله ارزیابی و پیش بینی قیمت آینده نیز مطرح می شود. فعالان در این بازار درصدد دستیابی و به کارگیری روش هایی هستند تا با پیش بینی آتی قیمت سهام، سود سرمایه خود را افزایش دهند.مطالعه حاضر با هدف پیش بینی قیمت پایانی سهام- مطالعه موردی شرکت فرآورده های نفتی پارس- با به کارگیری داده های روزانه در دوره زمانی 13/8/1388 تا 11/11/1389 از طریق دو روش شبکه عصبی مصنوعی و رگرسیونی ARIMAصورت پذیرفته است. نتایج به دست آمده به وسیله مدل شبکه عصبی دارای خطای کمتر، قدرت توضیح دهندگی بالاتر و در نتیجه پیش بینی بهتری را نسبت به روش رگرسیونی نشان می دهد.
بررسی تاثیر سیگنال های اقلیمی بر بارش ناحیه مرکزی ایران با استفاده از شبکه عصبی مصنوعی(مقاله علمی وزارت علوم)
حوزه های تخصصی:
سیگنال های اقلیمی، الگوهای بزرگ مقیاسی از ناهنجاری های گردش و فشار هوا میباشد که در محدوده جغرافیایی وسیع گسترش یافته است. این سیگنال ها در توجیه رفتار اقلیم از اهمیت زیادی برخوردارند. در این پژوهش ارتباط بارش با سیگنال های اقلیمی(AO, NAO,SOI, ENSO) در ناحیه مرکزی ایران مورد بررسی قرار گرفته است. داده های سیگنال ها از پایگاه داده های NCEP استخراج گردید و مجموعه داده های بارش ماهانه نیز از مرکز خدمات ماشینی سازمان هواشناسی کشور دریافت شد. داده ها ماهانه طی دوره ی آماری 30 ساله، بین سال های 1978 تا 2008 بوده است. در نهایت با بکارگیری روش شبکه عصبی مصنوعی، مدل های شبیه سازی شده برای بازه های 0، 3 و 6 ماهه محاسبه شد و نتایج نشان داد از بین سیگنال های مورد مطالعه سیگنال ENSO در مناطقNINO1.2 و NINO3 بر بارش منطقه مورد مطالعه تاثیر معنی داری دارد و تاخیر 3 و 6 ماهه موجب قوی شدن ضریب همبستگی شاخص انسو در مناطق NINO1.2 و NINO3 با بارش ایستگاه های مورد مطالعه شده است. همچنین تاخیر 6 ماهه باعث منفی شدن ضریب همبستگی بین شاخص انسو در مناطق NINO1.2 و NINO3 است. مطابق با مدل های ارئه شده، سیگنال انسو در مناطق NINO1.2 و NINO3 می تواند به عنوان پیش بینی کننده بارش در کنار سایر پارامترهای تاثیر گذار مورد استفاده قرار گیرد و سایر سیگنال های اقلیمی مورد مطالعه تاثیر معنی داری بر بارش ایستگاه های مورد مطالعه ندارد.
شبیه سازی بارش- رواناب با استفاده از شبکه عصبی مصنوعی(مورد: حوضه آبخیز فریدن)(مقاله علمی وزارت علوم)
حوزه های تخصصی:
سیل، یکی از پدیده های ویرانگر طبیعی است که پیش بینی آن از اهمیت بالایی برخوردار است و در این میان برآورد بارش- رواناب به دلیل تأثیرگذاری عوامل مختلف، دشوار است. در این پژوهش با استفاده از شبکه پرسپترون چند لایه(MLP)، قانون یادگیری پس انتشار خطا(BP)، الگوریتم لونبرگ- مارکوارت(LM) و معیارهای RMSE و R2 جهت کارایی مدل، 6 سناریو تعریف گردید. بررسی حالات مختلف نشان داد که بهترین مدل شبکه عصبی جهت شبیه سازی بارش- رواناب، مدلی است با ساختار1-32-6 نرون در لایه های ورودی، پنهان و خروجی که مقادیر میانگین مربعات خطای مدل در مراحل مختلف آزمایش، صحت سنجی و آزمون به ترتیب؛ 23/0، 19/0 و 21/0 و ضریب همبستگی در بهترین سناریو به ترتیب؛ 98%، 97% و 96% می باشد که حاکی از همبستگی بالا و معنی داری بین مقادیر مشاهداتی و مقادیر پیش بینی شده دارد. نتایج حاصل، توانایی بالای شبکه عصبی مصنوعی در مدله نمودن بارش- رواناب را به هنگام استفاده از پارامترهای ؤئومورفولوژیکی در حوضه فریدن به خوبی نشان می دهد.
برآورد بارش به کمک شبکه عصبی مصنوعی با داده های هواشناسی غیربارشی در سه منطقه شیراز، مشهد و کرمان(مقاله علمی وزارت علوم)
حوزه های تخصصی:
عنصر بارش ماهیت آشوبناکی و تصادفی داشته و از این نظر دارای تغییرات ساختاری در زمانهای مختلف است. در این راستا بهدلیل عدم قطعیتهایی که وجود دارد، نوسانهای زیادی در مقدار بارش ایجاد میشود که پیشبینی این کمیت مهم را با مشکل مواجه نموده است. در این مقاله با تکنیک مقیاسبندی مجدد (R/S) و محاسبه نمای هرست (H) پیشبینیپذیری بارش در سه منطقه شیراز، کرمان و مشهد انجام شد. نمای هرست نشان داد که پارامتر بارش قابلیت پیشبینیپذیری را دارد، زیرا H از 5/0 بزرگتر بوده و بمراتب بهمقدار 1 نزدیکتر است. بهطوریکه نمای هرست از حداقل 8/0 در ایستگاه مشهد تا حداکثر 92/0 در ایستگاه شیراز در نوسان بود. به منظور پیشبینی بارش از شبکههای عصبی مصنوعی استفاده شد. نوع پارامترهای ورودی براساس آزمون همبستگی پیرسون از بین دادههای غیربارشی، ترکیبی از دادههای دمایی و رطوبتی بودند. تعداد پارامترهای ورودی، تعداد لایههای میانی و سایر اطلاعات مربوط به شبکه عصبی مصنوعی به صورت تصادفی انتخاب و پیشنهاد شدند. در مجموع از شبکههای عصبی پرسپترون چند لایه برای برآورد بارش استفاده شد. مقایسه عملکرد شبکههای عصبی، نشان داد که استفاده از 3 و 4 پارامتر هواشناسی، بهترین رتبه برآوردگری را داشتهاند. آرایشهای پیشنهادی برای ایستگاه شیراز، 1-21-21-3، کرمان 1-25-25-3 و مشهد 1-19-19-4 دارای ضریب همبستگی بیش از 91 درصد شد. اعتبارسـنجی مدلهای بارش نشان داد که شـبکههای طراحی شـده برای پارامتر بارش در ایستگاههای مشهد، شیراز و کرمان به ترتیب با خطای 4، 11 و 14 درصد، دارای بهترین عملکرد بودهاند. در مجموع نتایج نشان میدهند که استفاده از روش شبکه عصبی با درنظر گرفتن اطلاعات دمایی و رطوبتی، نتایج مناسبی برای توصیف فرآیند و ترکیب آنها در پیشبینی، بهدست میدهند.
پیش بینی صادرات غیر نفتی ایران تحت تاثیر تغییرات نرخ ارز با استفاده از مدل شبکه ی پرسپترون چند لایه(مقاله علمی وزارت علوم)
حوزه های تخصصی:
اهمیت روز افزون استقلال از درآمدهای نفتی به دلیل نوسانات قیمت نفت و تقاضای جهانی آن که درآمدهای دولت و اقتصاد کشور را به شدت تحت تأثیر قرار می دهد، باعث شده است تا نقش صادرات غیر نفتی فراتر از ابزاری برای کسب درآمدهای ارزی مطرح شود. به همین دلیل نظر بسیاری از صاحب نظران و پژوهشگران اقتصاد به سمت تحلیل وضعیت موجود صادرات غیر نفتی معطوف شده است. دورنمایی صادرات غیر نفتی امکان بررسی و برنامه ریزی دقیق تر را برای اقتصاد ایران فراهم می-نماید.
در این مطالعه به منظور پیش بینی صادرات غیر نفتی ایران طی دوره (1389 – 1338)، از روش های شبکه عصبی مصنوعی (شبکه های پرسپترون چند لایه MLP) و توضیحی جمعی میانگین متحرک (ARIMA) استفاده شد. داده های مورد نیاز 1389 از بانک مرکزی ایران اخذ گردید. به منظور مقایسه دقت پیش بینی روش ها از معیارهای میانگین قدر مطلق انحراف، ریشه میانگین مربع خطا و ضریب تعیین استفاده شد.
نتایج نشان داد که شبکه های پرسپترون چند لایه MLP دارای خطای پایین تری جهت پیش بینی صادرات غیر نفتی است و به طور معنی داری از مدل ARIMA دقیق تر است. به منظور بررسی تغییرات نرخ دلار در بازار داخلی و تاثیر آن بر صادرات، به پیش بینی صادرات غیر نفتی برای سال های 1390 و 1391 تحت سناریوی افزایش 50% نرخ دلار توسط مدل برتر(MLP) پرداخته شد که نتایج دلالت بر تاثیر قابل توجه نرخ دلار بر ارزش صادرات و درآمد ملی دارد. به کارگیری روش های شبکه عصبی مصنوعی، می تواند علاوه بر ایجاد زمینه برای توسعه روش های نوین پیش بینی، سیاست گذاران بخش صادرات به خصوص صادرات غیر نفتی را در تصمیم گیری های آتی، یاری رساند. در نتیجه به نظر می رسد سیاست نرخ دلار مدیریت شده در کشور ما سیاست کارایی است، به شرط آنکه این نرخ همواره در بلندمدت ثابت نباشد.
ارائه مدلی مفهومی برای بهینه سازی فرایند تولید پیوسته با بهره گیری از رویکرد تلفیقی روش سطح پاسخ و شبکه عصبی مصنوعی و الگوریتم های فرا ابتکاری(مقاله علمی وزارت علوم)
حوزه های تخصصی:
در فرآیندهای صنعتی عوامل متعددی با سطوح مختلف وجود دارند که هر کدام ممکن است بر روی مشخصات محصول نهایی تأثیر گذار باشند. در این مقاله به موضوع بهینه سازی پارامترهای فرایند تولید پیوسته و محدودیت های موجود در انتخاب تعداد این پارامترها و عوامل اثرگذار پرداخته و مدلی مفهومی به همراه گام های مختلف آن با استفاده از رویکرد تلفیقی روش سطح پاسخ، شبکه عصبی مصنوعی و الگوریتم های فراابتکاری ارائه شده است. به عنوان مطالعه موردی، فرایند تولید پلی اتیلن ترفتالات با 5 مشخصه کیفی به عنوان متغیرهای پاسخ و 9 متغیر اثرگذار مورد مدلسازی قرار گرفته است. روش پیشنهادی این امکان را فراهم می نماید که در شرایطی که تغییراتی در برنامه تولید بوجود می آید که منجر به کاهش یا افزایش میزان تولید محصول گردد، بتوان در ضمن رعایت حدود استاندارد متغیرهای پاسخ (مشخصه های کیفی محصول)، نسبت به مشخص نمودن مقادیر متغیرهای اثرگذار (که همان تنظیمات فرایند تولید می باشند) اقدام نمود.
شناسایی عامل های موثر در ایجاد ضایعات نان و تمایز نانوایی ها با کاربرد تجزیه و تحلیل تمایزی و شبکه عصبی مصنوعی مبتنی بر آن (مطالعه موردی شهر مشهد)(مقاله علمی وزارت علوم)
حوزه های تخصصی:
در این بررسی تلاش شده است ضمن شناسایی عامل های مؤثر در ایجاد تمایز در بین دو گروه نانوایی های پر ضایعات و نانوایی های کم ضایعات، 250 نانوایی شهر مشهد در سال 1389 با به کارگیری الگوی تجزیه و تحلیل تمایزی با پیش بینی طبقه نانوایی در یکی از دو گروه نانوایی قرار داده شوند. نتایج به دست آمده گویای آناست که از میان متغیرهای مؤثر بر ایجاد تمایز، وضعیت نانوایی، قیمت ضایعات نان، زمان تخمیر خمیر، میزان آرد مصرفی روزانه، کیفیت نان تولیدی، درصد گلوتن مرطوب، درصد رطوبت، کیفیت آرد مصرفی و هزینه تعمیرات بیشترین سهم را در ایجاد تمایز بین نانوایی های کم ضایعات و پر ضایعات دارند. پیش بینی گروه نانوایی ها بر پایه ضایعات آن ها می تواند ابزار مناسبی برای شناسایی اقدام های مؤثر بر کاهش ضایعات نان در مرحله تولید آن باشد. در این بررسی، مقایسه دقت طبقه بندی دو مدل الگوی تجزیه و تحلیل تمایزی و شبکه عصبی مصنوعی مبتنی بر آن گویای دقت بالای پیش بینی طبقه نانوایی ها در دو گروه داده های آموزش و آزمون با به کارگیری الگوی شبکه عصبی مصنوعی مبتنی بر تجزیه و تحلیل تمایزی می باشد. در نهایت بر پایه نتایج به دست آمده از مطالعه پیشنهادهای کاربردی و اجرایی چندی به منظور کاهش ضایعات نان در مرحله تولید ارائه شد.
پیش بینی تقاضای خدمات بانکداری الکترونیک در ایران با استفاده از روش های شبکه عصبی مصنوعی و SARIMA
حوزه های تخصصی:
عدم مطابقت تقاضا برای خدمات بانکداری الکترونیک با زیرساخت های لازم برای پاسخگویی به آن می تواند مشکلات فراوانی را برای یک جامعه ایجاد نموده و روند فعالیت های اقتصادی در آن جامعه را کند نماید. از این روی، پیش بینی تغییرات تقاضا برای این نوع خدمات در بسترسازی برای تأمین تقاضای مربوطه حائز اهمیت است. هدف اصلی این مقاله پیش بینی تقاضا برای خدمات بانکداری الکترونیک با استفاده از دو روش شبکه عصبی مصنوعی و مدل خودرگسیونی میانگین متحرک هم انباشته فصلی (SARIMA)، مقایسه میان روش ها و بررسی تطابق حجم تقاضا با بسترهای ارائه خدمات در ایران می باشد. برای این منظور از نمونه ای مشتمل بر 88 مشاهده تراکنش های صورت گرفته در 6 کانال فعلی شبکه بانکی کشور از تیرماه 1385 الی مهرماه 1392 استفاده گردیده و تقاضا تا انتهای آبان سال 1393پیش بینی شده است. نتایج حاکی از ادامه روند صعودی تراکنش ها و برتری نسبی روش شبکه عصبی دارد. بنابراین توجه جدی به ایجاد زیرساخت های ارائه خدمات بانکداری الکترونیک ضروری است.
رشد صنعت و خروج بنگاه های صنعتی: رهیافت مدل شبکه های عصبی مصنوعی(مقاله علمی وزارت علوم)
حوزه های تخصصی:
بنگاه های صنعتی از نظر ایجاد اشتغال و تولید در اقتصاد هر کشور دارای نقش مهمی بوده و از این رو بقای آنها از هر حیث اهمیت می یابد. این در حالی است که مطالعات موجود در زمینه توقف فعالیت یک بنگاه نشان می دهد عوامل متعددی بر خروج بنگاه از صنعت نقش داشته و در این میان رشد صنعتی که بنگاه در آن فعالیت می کند از مهم ترین آنها محسوب می شود. متغیر رشد صنعت به صور مختلف بر خروج بنگاه تأثیرگذار بوده و به عنوان مثال، صنایعی با رشد بالاتر دارای نرخ ورود بالاتری بوده و ورود بیشتر در قدم بعدی می تواند خروج بنگاه های موجود آن صنعت را به صورت معنی داری تحت تأثیر قرار دهد.
بر این اساس، این مطالعه با هدف اصلی بررسی تأثیر رشد صنعت بر خروج بنگاه های صنعتی طراحی گردیده و برای این منظور از مدل شبکه های عصبی مصنوعی استفاده شده است. این بررسی 10 هزار بنگاه صنعتی در سطح کدهای چهاررقمی ISIC را طی دوره برنامه سوم توسعه (83-1379) که امکان دسترسی به داده های آن فراهم گردیده، در بر می گیرد. رشد صنعت نیز با استفاده از معیارهای متفاوتی چون رشدمطلق و رشد در طول دوره محاسبه شده است.
نتایج به دست آمده نشان داده است که بین متغیرهای منتخب، رشدصنعت پس از اندازه بنگاه، بیشترین توانایی تبیین خروج بنگاه را دارا است.
پیش بینی دوره های رونق و رکود قیمت مسکن با استفاده از تجزیه موجک و شبکه های عصبی مصنوعی(مقاله علمی وزارت علوم)
حوزه های تخصصی:
با توجه به سهم بالای دارایی مسکن در پرتفوی دارایی عاملان اقتصادی، درک، شناخت، پیش بینی و استخراج دوره های رونق و رکود قیمت مسکن می تواند برای خریداران مسکن و یاسرمایه گذاران بالقوه مسکن مفید باشد.طی بیست سال گذشته، افزایش قیمت مسکن در تهران و شهرهای بزرگ کشور به صورت پله ای بوده و رفتاری سیکلی (ادواری) داشته است. در این مقاله پس از استخراج سیکل های بلند مدت با فرکانس پایین قیمت مسکن توسط فیلتر موجک با استفاده از سری زمانی قیمت مسکن از Q41390Q3-1369، و با استفاده از شبکه عصبی اقدام به پیش بینی ادامه سیکل های قیمت مسکن با استفاده از سیکل های استخراج شده قیمت مسکن جهت شناسایی و پیش بینی دوره های رکود یا رونق قیمت مسکن، در فصولبعد از فصل چهارم سال 1391 شده است. که نتایج نشان داد که از فصل انتهایی سال 1391 تا پایان فصل سوم این سال شاهد طی شدن دوره های رونق قیمت مسکن هستیم و در ادامه قیمت مسکن از فصل پایانی سال 1392 با رکود مواجه می شود.
ارزیابی عملکرد شبکه عصبی مصنوعی در پیش بینی خشکسالی هواشناسی در شمال غرب ایران(مقاله علمی وزارت علوم)
حوزه های تخصصی:
خشکسالی یکی از مخرب ترین بلایای طبیعی در جوامع بشری محسوب می شود که می تواند تاثیرات جبران ناپذیر کشاورزی، زیست محیطی، اجتماعی و اقتصادی به همراه داشته باشد. بنابراین آگاهی از وقوع خشکسالی می تواند در کاهش خسارات موثر باشد. در این پژوهش، به منظور مدلسازی و شبیه سازی شدت خشکسالی در طول یک دوره آماری 37 ساله (1350- 1386) در 21 ایستگاه بارانسنجی واقع در ناحیه نیمه خشک سرد شمال غربی ایران از شبکه عصبی مصنوعی بهره گرفته شد. داده های ورودی به شبکه شامل میانگین بارش سالیانه و نیز شاخص دهک بارش سالیانه برای تمامی ایستگاه ها بوده که 80% داده ها برای آموزش شبکه (1350-1379) و20% باقیمانده برای تست و اعتبار سنجی شبکه (1380-1386) انتخاب گردید. سپس عمل پیش بینی خشکسالی توسط الگوریتم آموزش دیده شده توسط شبکه عصبی مصنوعی و بدون استفاده از داده های واقعی و مشاهداتی، برای سال های 1387 تا 1391صورت گرفت. معماری مطلوب شبکه به صورت مدل پرسپترون با سه لایه پنهان، الگوی پس انتشار خطا و تابع محرک سیگموئید به همراه 10 نرون در لایه میانی انتخاب گردید. نتایج حاصله نشان داد که شبکه عصبی مصنوعی به خوبی قادر به پیش بینی روابط غیر خطی بارش و خشکسالی بوده بطوریکه با همبستگی بیشتر از 97% و خطای کمتر از 5% مقادیر شاخص دهک بارش را پیش بینی نموده و نتایج حاصل از این پیش بینی بطور زیادی منطبق با مقادیر واقعی می باشد. از این رو با استفاده از این روش می توان وضعیت خشکسالی را در سال های آتی پیش بینی کرده و در مدیریت و بهره وری منابع آب و نیز مدیریت خشکسالی و تغییرات اقلیمی از این روش بهره جست.