مطالب مرتبط با کلیدواژه

شبکه عصبی مصنوعی


۴۱.

پایش تغییرپذیری فرآیندهای چند مشخصه وصفی و متغیر با استفاده از شبکه عصبی مصنوعی(مقاله علمی وزارت علوم)

نویسنده:
منبع: مدیریت تولید و عملیات سال پنجم پاییز و زمستان ۱۳۹۳ شماره ۹

کلیدواژه‌ها: شبکه عصبی مصنوعی کنترل فرآیند آماری متوسط طول دنباله شبکه پرسپترون چند لایه فرآیند چند مشخصه وصفی و متغیر

حوزه های تخصصی:
تعداد بازدید : ۱۲۰۹ تعداد دانلود : ۵۹۶
امروزه در برخی محیط های تولیدی یا خدماتی، کیفیت محصول یا عملکرد فرآیند به وسیله ترکیبی از مشخصه های کیفی متغیر و وصفی همبسته توصیف می گردد. بر اساس آخرین اطلاعات مؤلفان، تا کنون هیچ روشی برای پایش ماتریس واریانس- کوواریانس این گونه فرآیندها ارائه نشده است. در این مقاله، یک شبکه عصبی مصنوعی برای پایش تغییرپذیری یک فرآیند چند مشخصه وصفی و متغیر ارائه شده است. شبکه ارائه شده نه تنها قادر به کشف وضعیت های خارج از کنترل بوده، بلکه می تواند مشخصه /مشخصه های عامل انحراف در فرآیند را نیز شناسایی کند. کارایی روش ارائه شده با استفاده از یک مثال عددی بر اساس معیارهای متوسط طول دنباله و درصد تشخیص درست مشخصه /مشخصه های کیفی عامل انحراف بررسی شده است. همچنین عملکرد شبکه طراحی شده در پایش ماتریس واریانس- کوواریانس فرآیندهای چند مشخصه وصفی و متغیر با دو روش آماری پایش ماتریس واریانس- کوواریانس برای مشخصه های کیفی متغیر که در این مقاله برای پایش فرآیندهای چند متغیره- چند مشخصه توسعه داده شده اند، مقایسه شده است. نتایج مثال عددی نشان می دهد که شبکه عصبی طراحی شده عملکرد بهتری در کشف وضعیت های مختلف خارج از کنترل نسبت به روش های آماری توسعه داده شده دارد و همچنین به خوبی قادر به تشخیص مشخصه(های) کیفی عامل انحراف در فرآیند است.
۴۲.

مطالعه تطبیقی مدل شبکه عصبی مصنوعی(ANN) و مدل عصبی -فازی وفقی (ANFIS) در پیش بینی تقاضای پروانه ساخت (مطالعه موردی: شهرداری زابل)(مقاله علمی وزارت علوم)

نویسنده:
منبع: پژوهش و برنامه ریزی شهری سال پنجم بهار ۱۳۹۳ شماره ۱۶

کلیدواژه‌ها: شبکه عصبی مصنوعی ANFIS تقاضای پروانه ساخت

حوزه های تخصصی:
  1. حوزه‌های تخصصی جغرافیا فنون جغرافیایی روش های کمی در جغرافیا
  2. حوزه‌های تخصصی جغرافیا جغرافیای انسانی جغرافیای شهری فضا و محیط شهری
تعداد بازدید : ۹۳۴ تعداد دانلود : ۴۹۴
اطلاع از میزان تقاضای موجود در زمینه صدور پروانه ساخت در هر دوره یکی از مباحث اساسی است که شهرداری ها در راه پاسخگویی به تقاضاکنندگان نیازمند آن هستند. عدم اطلاع در این زمینه سبب ایجاد مشکلاتی مانند اتلاف وقت و انرژی، کاهش کارایی و نارضایتی ارباب رجوع و در نهایت فقدان برنامه ریزی مدون را سبب می شود. با توجه به روند پرنوسان و غیر خطی انگیزه افراد برای ساخت وساز و در ادامه تهیه مجوز ساختاز شهرداری و متغیرهای موثر بر آن، مدل های غیرخطی و بخصوص شبکه های عصبی (ANN) و سیستم استنتاج عصبی فازی تطبیقی (ANFIS) در این امر توفیق بیشتری داشته اند. به این منظور ترکیبی از اساسی ترین پارامترهای برون بخشی و درون بخشی تاثیر گذار در تصمیم گیری افراد برای ساخت وساز یعنی جمعیت شهرو نرخ رشد آن، متوسط درآمد وهزینه خانوار شهر (زابل)، تاثیرفصل های مختلف سال در قالب عامل دما، میزان تولید ناخالص داخلی(در سطح کلان)، تورم، ونوسانات مربوط به نرخ ارز (به عنوان پارامترهای برون بخشی) و عواملی مانند زمین و قیمت آن، تراکم و نرخ عوارض ساخت وساز (به عنوان عناصر درون بخشی) در نظر گرفته شده اند. در این بینبرای مقایسه توانایی آن ها نسبت به هم از معیارهای ارزیابی کارایی مدل ها مانند(ضریب تعیین)MAD,(میانگین قدر مطلق انحرافات) و RMSE (ریشه میانگین مربع خطا) استفاده شده است. در نهایت ANFIS به دلیل اتکا به ترکیب (( قدرت یادگیری شبکه عصبی و عملکرد منطقی سیستم های فازی)) ؛ بامقدار (9656/0، 9899/0), RMSE(0026/0، 0064/0) ,MAD (0018/0، 0061/0)به ترتیب برای آموزش و آزمون، بر روشANNبرتری نشان داده در نتیجه مدل مناسبتری برای پیش بینی هدف ماست.
۴۳.

استفاده از رهیافت های شبکه های عصبی مصنوعی و سری زمانی در پیش بینی میزان مصرف انرژی الکتریکی در بخش کشاورزی(مقاله علمی وزارت علوم)

نویسنده:
منبع: تحقیقات اقتصاد کشاورزی جلد ۴ بهار ۱۳۹۱ شماره ۱ (پیاپی ۱۳)

کلیدواژه‌ها: بخش کشاورزی پیش بینی شبکه عصبی مصنوعی مصرف انرژی

حوزه های تخصصی:
  1. حوزه‌های تخصصی اقتصاد اقتصاد بخشی،اقتصاد صنعتی،کشاورزی،انرژی،منابع طبیعی،محیط زیست اقتصاد کشاورزی تکنولوژی کشاورزی،خدمات توسعه ای
  2. حوزه‌های تخصصی اقتصاد اقتصاد بخشی،اقتصاد صنعتی،کشاورزی،انرژی،منابع طبیعی،محیط زیست اقتصاد انرژی انرژی برق پیش بینی تقاضا،مدیریت تقاضا
تعداد بازدید : ۹۹۶ تعداد دانلود : ۴۲۸
هدف اصلی این مطالعه پیش بینی میزان مصرف انرژی الکتریکی در بخش کشاورزی است. برای این منظور از روش های سری زمانی خود توضیح جمعی میانگین متحرک(ARIMA) و شبکه ی عصبی مصنوعی استفاده شد. به منظور انجام بررسی، از داده های سالانه ی دوره ی 1346 تا 1383 برای برآورد و آموزش مدل ها و از داده های دوره ی 1384 تا 1387 به منظور بررسی قدرت پیش بینی مدل های مختلف استفاده شد. در این مطالعه معیارهای ارزیابی مختلفی شامل میانگین قدرمطلق خطا(MAE)، میانگین مجذور خطا(MSE) و درصد میانگین مطلق خطا(MAPE) مورد استفاده قرار گرفتند. نتایج مطالعه نشان داد که شبکه ی عصبی پرسپترون سه لایه با روش آموزش الگوریتم پس انتشار دارای MAPE معادل 02/1 درصد می باشد که کمتر از مقدار این آماره برای مدل سری زمانی است(13/1 درصد). سایر معیارهای خطا نیز نتایج یکسانی دارند و بر این اساس شبکه ی عصبی قادر است میزان مصرف برق در بخش کشاورزی را بهتر از مدل ARIMA پیش بینی نماید. لذا پیشنهاد می شود وزرات نیرو جهت پیش بینی های آتی خود از این روش استفاده نماید.
۴۴.

مقایسه قدرت پیش بینی الگوهای تلفیقی و متداول (مطالعه موردی قیمت های جهانی گندم، ذرت و شکر)(مقاله علمی وزارت علوم)

نویسنده:
منبع: تحقیقات اقتصاد کشاورزی جلد ۵ تابستان ۱۳۹۲ شماره ۲ (پیاپی ۱۸)

کلیدواژه‌ها: شبکه عصبی مصنوعی الگوی تلفیقی الگوی خطی پیش بینی سری زمانی

حوزه های تخصصی:
تعداد بازدید : ۷۹۲ تعداد دانلود : ۵۳۴
پیش بینی دقیق قیمت های محصولات کشاورزی وارداتی می تواند ضمن کمک به برنامه ریزی مطلوب در خصوص زمان مناسب واردات به صرفه جویی در منابع ارزی کشور نیز بیانجامد. از پر کاربرد ترین الگوهای پیش بینی سری زمانی طی سه دهه ی اخیر، الگوهای خطی سری زمانی شامل آریما، گارچ و ای گارچ می باشند. مطالعات اخیر در زمینه ی پیش بینی با شبکه عصبی مصنوعی نشان می دهد که شبکه ی عصبی مصنوعی می تواند دقت پیش بینی الگوهای خطی سنتی را بهبود بخشد. حال آنکه الگوهای سری زمانی خطی و شبکه ی عصبی مصنوعی از محدودیت جدی برخوردار بوده و آن اینکه الگوهای خطی توانایی الگوسازی روابط غیر خطی را نداشته و شبکه ی عصبی مصنوعی به تنهایی قادر به شناسایی و بررسی هر دو الگوی خطی و غیر خطی نمی باشد. از این رو با ترکیب الگوهای سری زمانی خطی و شبکه ی عصبی مصنوعی و طراحی الگوی تلفیقی روابط موجود در داده ها با دقت بیشتری الگوسازی می گردد. در مطالعه ی حاضر، الگوی تلفیقی الگوهای سری زمانی آریما، گارچ، ای گارچ و شبکه عصبی مصنوعی طراحی و نتایج پیش بینی با نتایج الگوهای رقیب مقایسه گردیده است. در این مطالعه جهت مقایسه ی دقت پیش بینی علاوه بر معیارهای مقایسه متداول نظیر RMSE، MAE، MAPE و Theil C با معرفی آماره گرنجر و نیوبولد معنی داری تفاوت دقت پیش بینی ها نیز بررسی شده است. نتایج پیش بینی قیمت های جهانی روزانه برای دوره 1/4/2008 تا 2/2/2012 در خصوص سه محصول وارداتی گندم، ذرت و شکر حاکی از آن است که الگوی تلفیقی به طور معنی داری دقت پیش بینی به دست آمده از الگوهای انفرادی را افزایش می دهد. بر این اساس، به کارگیری الگوهای تلفیقی در پیش بینی قیمت محصولات کشاورزی(به ویژه محصولات استراتژیک) توصیه می شود تا با انتخاب زمان مناسب خرید محصولات وارداتی از خروج بیهوده ارز جلوگیری به عمل آید.
۴۵.

پیش بینی قیمت خرده فروشی و عمده فروشی ماهی قزل آلا با استفاده از شبکه عصبی مصنوعی و مدل ARMA(مقاله علمی وزارت علوم)

نویسنده:
منبع: تحقیقات اقتصاد کشاورزی جلد ۵ پاییز ۱۳۹۲ شماره ۳ (پیاپی ۱۹)

کلیدواژه‌ها: قیمت پیش بینی شبکه عصبی مصنوعی ARMA ماهی قزل آلا

حوزه های تخصصی:
تعداد بازدید : ۹۱۷ تعداد دانلود : ۴۸۵
توجه به ثبات نسبی و پیش بینی قیمت، می تواند نقش مهمی در کنترل ناپایداری قیمت ها و درنهایت کاهش ریسک بازار داشته باشد. در موضوع پیش بینی، مهم ترین بخش مقایسه ی روش های مختلف است. در این پژوهش با مقایسه ی قدرت پیش بینی دو روشARMA و شبکه ی عصبی مصنوعی و با انتخاب روش بهتر، قیمت های هفتگی خرده فروشی و عمده فروشی ماهی قزل آلا پیش بینی می شود. در این مطالعه از شبکه ی پیش خور که از نوع شبکه های پس انتشار (Back Propagation) است، استفاده می شود. داده های مورد استفاده در مطالعه شامل قیمت های هفته ی اول فروردین 1388 تا هفته ی آخر شهریور 1390 می باشد. قبل از استفاده از روش های پیش بینی تصادفی یا غیرتصادفی بودن داده ها مورد بررسی قرار گرفت. بر اساس آزمون های تصادفی بودن والد-ولفویتز، والیس-مور و دوربین-واتسون هر دو سری قیمت غیرتصادفی و قابل پیش بینی هستند. بر اساس آزمون ایستایی داده ها (دیکی-فولر تعمیم یافته) سری ها در سطح ایستا می باشند. نتایج پیش بینی نشان می دهد که مدل ARMA در مقایسه با مدل شبکه عصبی مصنوعی، بر اساس چهار معیار ارزیابی دقت پیش بینی، میزان خطای کمتری دارد در نتیجه قدرت بالاتری در پیش بینی قیمت ماهی قزل آلا دارد. در مدل شبکه عصبی 80% داده ها برای آموزش شبکه و 20% برای داده های آزمایشی در نظر گرفته شد. نتایج آزمون برابری دقت دو روش (MGN) نشان می دهد مدل ARMA در پیش بینی قیمت خرده فروشی و قیمت عمده فروشی نیز به طور معنی داری بهتر از مدل شبکه عصبی است.
۴۶.

تعیین ارزش دارایی های نامشهود با استفاده از شبکه عصبی مصنوعی(مقاله علمی وزارت علوم)

نویسنده:
منبع: پژوهش های تجربی حسابداری سال چهارم زمستان ۱۳۹۳ شماره ۱۴

کلیدواژه‌ها: شبکه عصبی مصنوعی اقتصاد دانش محور دارایی های نامشهود

حوزه های تخصصی:
  1. حوزه‌های تخصصی مدیریت مدیریت صنعتی تحقیق در عملیات مدلسازی ریاضی
  2. حوزه‌های تخصصی مدیریت مدیریت مالی – حسابداری مدیریت مالی
تعداد بازدید : ۱۲۱۴ تعداد دانلود : ۵۰۴
درک عوامل موثر بر ارزش شرکت برای سرمایه گذاران و اعتباردهندگان پیش از اتخاذ تصمیمات سرمایه گذاری یا اعطای تسهیلات، امری حیاتی است. از آن جایی که اقتصاد دانش محور در حال تکامل یافتن است، روش ایجاد ارزش شرکتی از شیوه سنتی مبتنی بر دارایی های فیزیکی به دانش نامشهود منتقل شده است. از این رو در آینده نه چندان دور، ارزش گذاری دارایی های نامشهود به موضوع مهمی در اقتصاد مبدل خواهد شد. این مطالعه بر آن است تا با استفاده از مدل مبتنی بر شبکه عصبی مصنوعی به شناسایی عوامل موثر در تعیین ارزش دارایی های نامشهود در شرکت های پذیرفته شده در بورس اوراق بهادار تهران بپردازد. هدف اصلی از مدل کردن عوامل موثر بر ارزش دارایی های نامشهود با استفاده از شبکه های عصبی، بررسی میزان تأثیر پانزده متغیر ورودی (شامل تعداد اعضای هیات مدیره، استقلال هیات مدیره، اندازه شرکت، اهرم، دارایی های ثابت، رشد فروش، سودآوری، پرداخت سود، سن شرکت، تعداد کارکنان، متنوع سازی، ساختار مدیریت، صادرات، مخارج تحقیق و توسعه و هزینه های بازاریابی و تبلیغات) بر متغیر ارزش شرکت می باشد. یافته های حاصل از پژوهش حاکی از اهمیت ویژگی های خاص شرکتی در وهله نخست، حاکمیت شرکتی در رتبه دوم، ساختار مالکیت در رتبه سوم و سرمایه نامشهود در رتبه چهارم در تعیین ارزش دارایی های نامشهود است.
۴۷.

پیش بینی تبخیر با استفاده از شبکه عصبی مصنوعی و سیگنالهای اقلیمی در حوضه دز(مقاله علمی وزارت علوم)

نویسنده:
منبع: تحقیقات جغرافیایی سال سی ام تابستان ۱۳۹۴ شماره ۲ (پیاپی ۱۱۷)

کلیدواژه‌ها: پیش بینی شبکه عصبی مصنوعی تبخیر حوضه دز سیگنالهای اقلیمی

حوزه های تخصصی:
  1. حوزه‌های تخصصی جغرافیا جغرافیای طبیعی آب و هواشناسی
  2. حوزه‌های تخصصی جغرافیا فنون جغرافیایی روش های کمی در جغرافیا
تعداد بازدید : ۸۰۵ تعداد دانلود : ۴۴۹
تبخیر از پدیده های مهم چرخه آبشناختی است و تخمین و پیش بینی آن در مدیریت و برنامه ریزی اصولی آب ضروری می باشد، به همین خاطر به پیش بینی این پدیده در حوضه دز که بخش مهمی از آب مصرفی کشور را تأ مین می کند پرداخته شده است. در شبیه سازی تبخیر و بررسی امکان پیش بینی آن ازمدل شبکه عصبی مصنوعی با بهره گیری از نرم افزار نروسلوشن استفاده گردیده که آمار مربوط به تبخیر در 4 ایستگاه همدید با حداقل 19 سال آمار ماهانه و داده های مربوط به مهمترین شاخص های آب و هوایی، مورد تجزیه و تحلیل قرار گرفته است. نتایج پژوهش نشان می دهد که مهمترین شاخص های مرتبط با تبخیر در حوضه شامل نینا 3، اس. دبلیومونسون، ام.ای.آی، نینا 1، نینا 4 و نینا 3/4 می باشد. مقایسه داده های مشاهده ای تبخیر و خروجی شبکه عصبی مصنوعی همبستگی بالا بین این داده ها را نشان می دهد، به طوریکه میزان این همبستگی در ایستگاه خرم آباد 79 درصد، دزفول 94 درصد، کوهرنگ 80 درصد و اراک 72 درصد است. با توجه به خروجی شبکه عصبی و داده های مربوط به شاخص های آب و هوایی می توان با دقت بالای 98 درصد به پیش بینی تبخیر درحوضه اقدام نمود.
۴۸.

تشخیص آنامولی های TEC قبل از وقوع زلزله های بزرگ با تلفیق شبکه عصبی مصنوعی و الگوریتم بهینه سازی توده ذرات(PSO)(مقاله علمی وزارت علوم)

نویسنده:
منبع: سپهر دوره بیست و چهارم تابستان ۱۳۹۴ شماره ۹۴

کلیدواژه‌ها: شبکه عصبی مصنوعی زلزله آنومالی الگوریتم بهینه سازی توده ذرات TEC

حوزه های تخصصی:
  1. حوزه‌های تخصصی جغرافیا فنون جغرافیایی روش های کمی در جغرافیا
  2. حوزه‌های تخصصی جغرافیا رشته های جغرافیای عمومی ارزیابی مخاطرات طبیعی
تعداد بازدید : ۸۳۷ تعداد دانلود : ۳۳۵
بحث پیش بینی زمین لرزه به منظور کاهش تلفات و آسیب های آن از اهمیت بالایی برخورد ار است؛ به ویژه د ر منطقه لرزه خیزی مانند ایران که سالانه شاهد وقوع این پد ید ه طبیعی می باشد . تشخیص ناهنجاری های قبل از زلزله نقش بسزایی د ر این امر د اراست. تغییرات یونسفری که با اند ازه گیری های از راه د ور(مانند استفاد ه از سیستم تعیین موقعیت جهانی) قابل شناسایی هستند به پیش نشانگرهای یونسفری زلزله معروف می باشند . د ر این مطالعه د و مجموعه د اد ه از محتوای الکترون های یونسفر که حاصل از پرد ازش د اد ه های GPS با نرم افزار Bernese است برای د و مورد مطالعاتی زلزله اهر آذربایجان شرقی (۲۱ مرد اد ۱۳۹۱) و زلزله کاکی بوشهر (20فرورد ین1392) مورد استفاد ه قرار گرفته و نتایج آن با د اد ه های ایستگاه جهانی مقایسه گرد ید ه است. از آنجا که تغییرات TEC[1] رفتاری غیرخطی د ارد بد ین منظور برای پیش بینی و تشخیص تغییرات آن از تلفیق شبکه عصبی ( با به کارگیری پرسپترون چند لایه ([2]MLP)) و الگوریتم PSO[3] استفاد ه گرد ید ه است. الگوریتم PSO با عملکرد ی مبتنی بر جمعیت می تواند د ر بهبود وزن برآورد شد ه توسط شبکه عصبی مؤثر واقع شود . با تجزیه و تحلیل علل ناهنجاری های یونسفر از جمله مید ان های ژئومغناطیسی و فعالیت های خورشید ی و حذف آن ها از پرد ازش های مورد نظر، نتایج حاصل نشان می د هد که برخی از این ناهنجاری ها ناشی از وقوع زلزله است و به کارگیری الگوریتم های هوشمند توانسته است کارآیی مناسبی د ر جهت پیش بینی سری های زمانی غیر خطی د اشته باشد . خروجی حاصل از تلفیق شبک عصبی و PSO نشان می د هد که هر د و ناهنجاری های مثبت و منفی رخ می د هند. ناهنجاری های قبل از زلزله غالباً نزد یک به کانون زلزله رخ می د هند و د ر 3 روز قبل از زلزله اهر آذربایجان شرقی و 2 تا 6 روز قبل از زلزله کاکی بوشهر قابل رؤیت می باشند .
۴۹.

اثرات تغییر پوشش و کاربری زمین در منطقه تجریش بر رژیم آبدهی رودخانه دربند(مقاله علمی وزارت علوم)

نویسنده:
منبع: پژوهش های ژئومورفولوژی کمی سال سوم زمستان ۱۳۹۳ شماره ۳ (پیاپی ۱۱)

کلیدواژه‌ها: شبکه عصبی مصنوعی ماشین بردار پشتیبان رودخانه دربند روش SCS پوشش و کاربری زمین

حوزه های تخصصی:
  1. حوزه‌های تخصصی جغرافیا جغرافیای طبیعی جغرافیای آبها
  2. حوزه‌های تخصصی جغرافیا جغرافیای انسانی جغرافیای شهری جغرافیای توسعه
تعداد بازدید : ۱۰۸۳ تعداد دانلود : ۶۰۵
رودخانه های شهری به دلیل افزایش جمعیت و تغییرات پوشش و کاربری زمین در حوضه های آبخیز آنها درمعرضآسیب های گوناگون می باشند. رودخانه دربند نیز از این قاعده مستثنی نبوده و در طول نیم قرن گذشته توسعه شهری تهران، رژیم هیدرولوژیکی آن را تحت تأثیر قرار داده است. در این پژوهش با استفاده از عکس های هوایی سال های 1345 ، 1358 و تصاویر〖ETM〗^+وIkONOSسال 1389،میزان تغییرات پوشش و کاربری اراضی در منطقه تجریش شناساییشده و بر اساس آن ها نقشه پوشش و کاربری زمین برای سه دوره زمانی تهیه شده است و با به کارگیری نقشه های مذکور،با روش SCSبه تخمین میزان عددیمنحنی و نگهداشت سطحی آباقدام شده است. همچنین با بهره گیری از مدل های شبکه عصبی مصنوعی و ماشین بردار پشتیبان، مدل سازی رواناب و بارش انجام گرفته و از آزمون من کندال به عنوان روشی برای بررسی روند داده های دبی و بارش استفاده شده است. با آشکار سازی تغییرات پوشش و کاربری زمین در سه دوره زمانی ،مشخص گردید که سطوح تولید کننده رواناب زیاد در طول این سه دوره افزایش یافته است. در همین راستا شماره منحنی و ضریب رواناب از سال 1345 تا 1389 افزایش یافته و ضریب نگهداشت سطحی از 66/122در سال 1345 به 26/107در سال 1358 و 76/104 در سال 1389 کاهش یافته است. در حالیکه بارش روند افزایشی خاصی نداشته، دبی دارای روند صعودی بوده که علت اصلی آن تغییرات پوشش و کاربری زمین بوده است.
۵۰.

تحلیل مقایسه ای مدل های آماری و شبکه عصبی مصنوعی جهت برآورد حجم رسوبات نبکا (مطالعه موردی: نبکاهای درختچه گز در کویر ابراهیم آباد سیرجان)(مقاله علمی وزارت علوم)

نویسنده:
منبع: پژوهش های ژئومورفولوژی کمی سال سوم بهار ۱۳۹۴ شماره ۴ (پیاپی ۱۲)

کلیدواژه‌ها: شبکه عصبی مصنوعی مورفومتری مدل رگرسیونی حجم رسوبات نبکا کویر ابراهیم آباد

حوزه های تخصصی:
  1. حوزه‌های تخصصی جغرافیا جغرافیای طبیعی ژئومورفولوژی
  2. حوزه‌های تخصصی جغرافیا فنون جغرافیایی روش های کمی در جغرافیا
تعداد بازدید : ۱۰۰۳ تعداد دانلود : ۳۶۸
روابط موجود در درون سیستم در قالب مدل های متعددی جمع بندی می شوند که این مدل ها ابزاری مهم جهت تبیین پدیده هایی هستند که در سیستم ها دیده می شوند. ازاین رو مدل سازی به عنوان ابزاری جهت درک ارتباطات اکوژئومورفولوژیکی پیچیده که در سیر تکامل ناهمواری و پوشش گیاهی حاکم می باشد می تواند در مدیریت تغییرات محیطی یا انسانی در سیستم های مناطق خشک و نیمه خشک مؤثر واقع شود. چشم اندازهای نبکایی ازجمله سیستم های اکوژئومورفیک پیچیده در مناطق بیابانی هستند که در اثر تجمع رسوبات بادی در اطراف گیاهان شکل می گیرند. هدف این پژوهش مدل سازی حجم رسوبات نبکا با روش های آماری و شبکه عصبی است. بدین منظور خصوصیات مورفومتری نبکاها و مورفولوژی گیاهی شامل، ارتفاع نبکا، قطر قاعده نبکا، حجم نبکا، قطر تاج پوشش و ارتفاع گیاه به روش طولی اندازه گیری گردید. سپس از بین روش های ساده رگرسیونی روش توانی به دلیل برخورداری از R² بالاتر انتخاب گردید. همچنین شبکه مورداستفاده جهت مدل سازی از نوع شبکه های پیش خور با الگوریتم آموزشی پس انتشار خطا می باشد. تابع آموزشی استفاده شده در شبکه Trainlm و تابع انتقال از نوع log sig می باشد. جهت آموزش شبکه از 75% داده ها و جهت آزمون شبکه از 35% داده ها استفاده شده است. نتایج نشان می دهد که مدل شبکه عصبی مصنوعی با ضریب تبیین 926/0 و میزان خطای 16/1 نسبت به مدل رگرسیونی با ضریب تبیین 868/0 و میزان خطای 3/3 از برتری بیشتری جهت برآورد حجم رسوبات نبکاهای مطالعاتی برخوردار است.
۵۱.

شبیه سازی و تحلیل دبی های حداکثر لحظه ای با استفاده از شبکه عصبی مصنوعی (مطالعه موردی: ایستگاه های هیدرومتری هفت حوض، سولقان، قلاک و مقصودبیک در کلان شهر تهران)(مقاله علمی وزارت علوم)

نویسنده:
منبع: پژوهش های ژئومورفولوژی کمی سال چهارم تابستان ۱۳۹۴ شماره ۱ (پیاپی ۱۳)

کلیدواژه‌ها: شبکه عصبی مصنوعی شبیه سازی کلان شهر تهران دبی های حداکثر لحظه ای ایستگاه های هیدرومتری

حوزه های تخصصی:
تعداد بازدید : ۱۲۴۵ تعداد دانلود : ۵۲۵
از مهمترین عوامل تصمیم گیری و مورد بحث در احداث سازه های رودخانه ای، مکان یابی و احداث پل ها، آگاهی از میزان دبی های حداکثر لحظه ای، شبیه سازی و تحلیل آن ها با استفاده از داده های ثبت شده در ایستگاه های هیدرومتری است. این تحقیق با رویکردی توصیفی--تحلیلی، با هدف شبیه سازی و تحلیل دبی های حداکثر لحظه ای و به کارگیری تکنیک شبکه عصبی مصنوعی در راستای پل سازی و نگهداری بهینه آن ها، با استفاده از داده های دبی ایستگاه های هیدرومتری هفت حوض، سولقان، قلاک و مقصودبیک در کلان شهر تهران انجام گرفته است. در ابتدا با استفاده از نرم افزار Excel نمودار دبی های حداکثر لحظه ای هرکدام از ایستگاه های هیدرومتری ترسیم گردید. سپس برای ساختن شبکه عصبی در نرم افزارNeroSlution5، از پیش فرض پرسپترون چند لایه(MLPS) جهت شبیه سازی و تحلیل داده های دبی حداکثر لحظه ای ایستگاه های مورد مطالعه، استفاده شد. نتایج تحقیق نشان می دهد که در همه ایستگاه های مورد بررسی، استفاده از شبکه عصبی مصنوعی در شبیه سازی دبی های حداکثر لحظه ای با استفاده از داده های دبی حداکثر روزانه و ماهانه از کارایی بالایی برخوردار است. مقادیرشبیه سازی شده نسبت به مقادیر واقعی(اندازه گیری شده) تقریباً مطلوب بوده و ضریب همبستگی آنها دارای مقدار مناسب(R=0.66) می باشد. همچنین باتوجه نوسان زیاد دبی حداکثر لحظه ای در ایستگاه های هفت حوض(درکه) و قلاک(دارآباد) می توان استنباط کرد که پل های ساخته شده بر روی این رودخانه ها و مسیل ها دارای ریسک سیلاب و احتمالاً ناپایدارند. بنابراین در مکان یابی، احداث و نگهداری چنین سازه هایی، تمهیدات لازم باید اندیشده شود و ضمن توجه به ویژگی های هیدروژئومورفولوژیک حوضه های بالادست، دوره های بازگشت سیلاب، مورد توجه قرار گیرد.
۵۲.

بررسی تأثیر استانداردسازی کیفیت محصول پسته ایران بر درآمد صادراتی آن با استفاده از مدل شبکه های عصبی مصنوعی(مقاله علمی وزارت علوم)

نویسنده:
منبع: پژوهشنامه بازرگانی سال پانزدهم پاییز ۱۳۹۰ شماره ۶۰

کلیدواژه‌ها: کیفیت شبکه عصبی مصنوعی استاندارد اجباری حجم صادرات و قیمت صادراتی پسته

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 اطلاعات و کیفیت کالا
  2. حوزه‌های تخصصی اقتصاد اقتصاد بخشی،اقتصاد صنعتی،کشاورزی،انرژی،منابع طبیعی،محیط زیست اقتصاد کشاورزی کشاورزی در تجارت بین الملل
تعداد بازدید : ۷۳۲ تعداد دانلود : ۴۱۶
با توجه به اهمیت صادرات محصول پسته برای ایران و افزایش سهم رقبا، قبل از آن که درصد بالایی از سهم خود از بازار جهانی را از دست بدهیم، باید برای صادرات این محصول برنامه ریزی کافی انجام دهیم. به همین منظور در تحقیق حاضر پس از بررسی وضعیت تولید و بازار پسته ایران و کشورهای عمده تولیدک ننده و از طریق مصاحبه با خبرگان و صادرکنندگان عمده آن، نتیجه گرفتیم که برای بهبود شرایط بازار باید معیارهایی کیفی در قالب استاندارد اجباری اعمال شوند. سپس با استفاده از شبکه های عصبی مصنوعی اقدام به یافتن مدل مناسب برای پیش بینی حجم و قیمت صادراتی پسته کردیم و با توجه به خروجی های این مدل میزان تأثیر سیاست اعمال استاندارد اجباری را بررسی کردیم. نتایج حاکی از آن است که درصورت اعمال استاندارد اجباری، درآمد صادراتی پسته در سال مورد مطالعه یعنی سال 1386 ، حدود 205,314,000,000 ریال افزایش میی ابد، احتمال وقوع حادثه آفلاتوکسین نیز نصف حالت بدون استاندارد بوده و درصورت وقوع این حادثهحجم صادرات به میزان 25,664 تن کاهش میی ابد؛ درحالی که در غیاب این استاندارد، کاهش حجم صادرات تنها در سال اول حادثه 51,329 تن است؛ لذا اعمال چنین استانداردی کاملاً توجیه پذیر به نظر می رسد.
۵۳.

پیش بینی دماهای ماهانه ایستگاه های منتخب استان اصفهان با استفاده از شبکه عصبی مصنوعی پرسپترون چند لایه(مقاله علمی وزارت علوم)

نویسنده:
منبع: تحقیقات جغرافیایی سال سی ام پاییز ۱۳۹۴ شماره ۳ (پیاپی ۱۱۸)

کلیدواژه‌ها: پیش بینی شبکه عصبی مصنوعی استان اصفهان دمای ماهانه

حوزه های تخصصی:
  1. حوزه‌های تخصصی جغرافیا جغرافیای طبیعی آب و هواشناسی
  2. حوزه‌های تخصصی جغرافیا فنون جغرافیایی روش های کمی در جغرافیا
تعداد بازدید : ۱۰۰۲ تعداد دانلود : ۴۲۷
پیش بینی دما یکی از مهمترین پیش بینی های هواشناسی است. امروزه بخشهای کشاورزی و صنعت وابستگی زیادی به شرایط دمایی(آب و هوا)دارند. دما نیز در کنار بارش یکی از فراسنج های بسیار مهم آب و هوایی است و از عوامل اصلی در پهنه بندی و طبقه بندی آب و هوایی به حساب می آید. هدف از انجام این تحقیق پیش بینی میانگین دمای ماهانه ایستگاه های منتخب استان اصفهان میباشد که پس از تعیین موقعیت و بررسی دوره آماری موجود سه ایستگاه همدید ازن سنجی اصفهان، شرق اصفهان و کاشان انتخاب شدند. برای بررسی و پیش بینی دمای ماهانه از مدل شبکه عصبی مصنوعی استفاده شد. شبکه های عصبی مصنوعی توانایی زیادی در شبیه سازی و پیش بینی عناصر جوی وآب و هوایی دارند. شبکه عصبی مصنوعی یکی از قدرتمندترین مدلهایی است که قادر به دریافت و نمایش پیچیده روابط ورودی و خروجی داده ها می باشد. یکی از پرکاربردترین مدلهای شبکه عصبی مدل پرسپترون چند لایه(MLP) میباشد. برای تعیین بهترین ورودی های شبکه پس از سعی و خطای بسیار در نهایت ساختاری با استفاده از میانگین دمای 7 ماه قبل برای پیش بینی دمای ماه بعدی انتخاب گردید. بدین ترتیب دمای ماهانه برای 24 ماه آینده پیش بینی شد که در این حالت بهترین همبستگی را بین داده ها نشان داد .بدین منظور از نرم افزار مت لب 2013 استفاده شده و برنامه نویسی در این محیط صورت گرفت. در تمام ساختار های شبکه از یک لایه پنهان متشکل از 30 نرون استفاده شد. تمامی ایستگاه ها با یک لایه پنهان به جواب رسیدند و نیازی به افزایش تعداد لایه های پنهان تشخیص داده نشد. برای آموزش شبکه از الگوریتم مارکوارت –لونبرگ استفاده شد و تمامی شبکه ها با تابع محرک تانژانت هیپربولیک به جواب مطلوب رسیدند.در نتیجه میتوان گفت استفاده از این مدل در پیش بینی دمای ماهانه موفقیت آمیز بود.
۵۴.

پیش بینی آلودگی هوای ناشی از حمل ونقل شهری کلانشهر تهران با بهره گیری از تلفیق GIS با مدلLUR وشبکه عصبی مصنوعی(مقاله علمی وزارت علوم)

نویسنده:
منبع: سپهر دوره بیست و چهارم پاییز ۱۳۹۴ شماره ۹۵

کلیدواژه‌ها: شبکه عصبی مصنوعی آلودگی هوا GIS حمل ونقل شهری سامانه پشتیبانی تصمیم گیری فضایی مدل LUR

حوزه های تخصصی:
  1. حوزه‌های تخصصی جغرافیا فنون جغرافیایی سنجش از راه دور GIS
  2. حوزه‌های تخصصی جغرافیا فنون جغرافیایی روش های کمی در جغرافیا
  3. حوزه‌های تخصصی جغرافیا جغرافیای انسانی جغرافیای شهری اکولوژی شهری
تعداد بازدید : ۱۰۱۰ تعداد دانلود : ۶۷۹
تاکنون طرح هایی چند در جهت کاهش آلودگی هوای شهر تهران به مرحله اجراگذاشته شده است. اما مسئله این است که در کنار سایر کاستی ها، این طرح ها اغلب با تبعیت از مدیریت بحران به جای مدیریت ریسک،در واقع عکس العملی منفعلانه ومقطعی در مقابل افزایش آلودگی هوا بوده ودر تصمیمات مدیریتی مبتنی بر این طرح ها از سامانه پشتیبانی تصمیم گیری استفاده نشده است. لذا این پژوهش به سبب اهمیت موضوع با روشی تحلیلی-کاربردی وبا استفاده از داده های ساعتی، غلظت منوکسید کربن 12 ایستگاه از مجموعه ایستگاه های سنجش آلودگی هوا متعلق به شرکت کنترل کیفیت هوا وهمچنین داده های هواشناسی سرعت باد، جهت باد ودما مربوط به ایستگاه مهرآباد، همگی مربوط به سال1389، و داده های حجم همسنگ سواری معابر شهر تهران با هدف پیش بینی زمانی-مکانی آلودگی هوای ناشی از حمل ونقل شهری کلانشهر تهران در راستای کاربرد در سامانه پشتیبانی تصمیم گیری فضایی مدیریت کیفیت هوا و با هدف نهایی مدیریت بهینه حمل و نقل شهری کلانشهر تهران به تحقیق پرداخت. در این راستا، از آنجا که هدف غایی تحقیق حاضر، بهره گیری از نتایج آن در کنترل بهینه حمل و نقل شهری به عنوان منبع مهم آلاینده هوا است؛ از روش LUR برای سنجش شاخص منوکسید کربن در حمل و نقل کلانشهر تهران در کنار سایر آلاینده ها استفاده گردید.سپس از شبکه عصبی مصنوعی برای پیش بینی زمانی احتمال وقوع آلودگی هوا البته با تأکید بر مدیریت ریسک بهره گرفته شد؛ و سپس بر پایه پیش بینی های زمانی حاصل از شبکه عصبی مصنوعی، با استفاده از شاخص کریجینگ مناطقی که احتمال وقوع آلودگی هوا در آنها بالاست، شناسایی گردید. براساس یافته های تحقیق، نتایج مناسب تشخیص داده شد به گونه ای که می توان از این الگو در سامانه پشتیبانی مدیریت کیفیت هوا به هدف نهایی مدیریت بهینه حمل و نقل شهری کلانشهر تهران استفاده نمود.
۵۵.

بررسی اهمیّت و میزان تأثیرگذاری متغیرهای اقتصادی بر نرخ ارز در ایران

نویسنده:
منبع: سیاست گذاری پیشرفت اقتصادی سال دوم تابستان ۱۳۹۳ شماره ۲ (پیاپی ۳)

کلیدواژه‌ها: شبکه عصبی مصنوعی پیش بینی نرخ ارز خودرگرسیون میانگین متحرک انباشته تکنیکال بنیادی

حوزه های تخصصی:
تعداد بازدید : ۱۰۰۳ تعداد دانلود : ۴۱۰
پیش بینی نرخ ارز یکی از مسائل مهم هر کشور است. روش های مرسوم پیش بینی و تجزیه و تحلیل آماری سری زمانی بر اساس دو فرض ایستایی و خطی بودن هستند، اما در مواردی که ویژگی خطی بودن صدق نکند، در عملکرد این مدل ها تردید ایجاد می شود. در این راستا، شبکه های عصبی مصنوعی از قابلیت بالایی در مدل سازی فرآیندهای تصادفی و پیچیده و پیش بینی مسیرهای غیرخطی پویا برخوردارند. در این مقاله، با استفاده از یک شبکه عصبی با رویکرد بنیادی، روند تغییرات نرخ ارز را بر اساس متغیرهای اقتصادی مؤثر بر آن مانند شاخص قیمت مصرف کننده در ایران و آمریکا، ارزش صادرات و واردات، قیمت نفت و قیمت طلا را مدل سازی کرده و با تحلیل حساسیت میزان تأثیرگذاری هریک از متغیرها را ارزیابی کرده ایم. با استفاده از نتایج مدل می توان اظهار داشت که مدل، بیشترین حساسیت را نسبت به شاخص قیمت مصرف کننده از خود نشان می دهد. همچنین قیمت طلا، صادرات، قیمت نفت و واردات به ترتیب عوامل دیگر مؤثر بر روند نرخ ارز در ایران هستند.
۵۶.

پیش بینی نوسان شاخص صنعت شرکتهای پذیرفته شده در بورس اوراق بهادار تهران با تاکًید بر نقش متغیرهای مالی شرکتی منتخب و استفاده از ماشین بردار پشتیبان(مقاله علمی وزارت علوم)

نویسنده:
منبع: مطالعات تجربی حسابداری مالی سال سیزدهم تابستان ۱۳۹۴ شماره ۴۶

کلیدواژه‌ها: شبکه عصبی مصنوعی ماشین بردار پشتیبان شاخص صنعت متغیرهای مالی شرکتی

حوزه های تخصصی:
تعداد بازدید : ۶۷۹ تعداد دانلود : ۳۴۳
هدف تحقیق حاضر مقایسه توانایی اطلاعات حسابداری جهت پیش بینی نوسان شاخص های بورس اوراق بهادار با استفاده از روشهای هوشمند ماشینبردار پشتیبان و شبکه عصبی مصنوعی و روش کلاسیک رگرسیون لجستیک می باشد. نمونه آماری تحقیق شامل 91 شرکت پذیرفته شده بورس اوراق بهادار تهران در قالب 9 صنعت در محدوده زمانی 1382 الی 1391 است. با در نظر گرفتن 11 متغیر مالی شرکتی، نتایج مطالعه نشان می دهد که علیرغم توانایی پیشبینی 60 درصدی ماشین بردار پشتیبان و شبکه عصبی مصنوعی، بین نتایج واقعی و پیش بینی اختلاف معنی دار وجود است. نتایج حاصل از رگرسیون لجستیک نیز بیانگر این است که متغیرهای مالی منتخب در مجموع تنها قابلیت توضیح دهندگی 4% نوسان شاخص را دارند. میتوان گفت با وجود برتری غیرقاب ل انکا ر مدلهای هوشمن د نسب ت ب ه مدلها ی کلاسیک، اطلاعات حسابداری به تنهایی نمی توانند توضیح دهنده خوبی برای نوسانات شاخص صنعت تلقی شوند.
۵۷.

ارزیابی مقایسه ای ساختار سرمایه شرکت های با فناوری پیشرفته و سنتی با استفاده از شبکه عصبی مصنوعی و تجزیه و تحلیل رگرسیون خطی چند گانه(مقاله علمی وزارت علوم)

نویسنده:
منبع: مطالعات تجربی حسابداری مالی سال دهم زمستان ۱۳۹۱ شماره ۳۶

کلیدواژه‌ها: شبکه عصبی مصنوعی اهرم مالی ساختار سرمایه صنعت بافناوری پیشرفته و سنتی

حوزه های تخصصی:
  1. حوزه‌های تخصصی مدیریت مدیریت دانش و IT منطق فازی و هوش مصنوعی
  2. حوزه‌های تخصصی مدیریت مدیریت مالی – حسابداری مدیریت مالی
تعداد بازدید : ۱۲۷۰ تعداد دانلود : ۵۱۲
انتخاب بین بدهی و حقوق صاحبان سهام تحت تأثیر عوامل داخلی و خارجی است که برساختار سرمایه شرکت تأثیر می گذارد. هدف ازتعیین ساختار سرمایه، مشخص کردن ترکیب منابع مالی به منظور به حداکثر رساندن ثروت سهامداران شرکت است. با توجه به جنبه های کیفی شکل سرمایه شرکت های بافناوری پیشرفته، سرمایه گذاری های گسترده ای در این شرکت ها صورت گرفته است که به نظر رفتاری غیرمنطقی درون جامعه سرمایه گذاری وجود دارد. بنابراین مقایسه آن با ساختار سرمایه شرکت های سنتی ضروری به نظر می رسد. در این تحقیق برای بررسی ساختار سرمایه شرکت های بافناوری پیشرفته و سنتی و همچنین مقایسه مدل خطی و غیرخطی شرکت های جامعه آماری پس از انتخاب به روش حذفی به دو گروه شرکت های بافناوری پیشرفته و سنتی تقسیم شدند. در این تحقیق 378 شرکت برای دوره زمانی 88-1383 انتخاب گردید و با استفاده از مدل رگرسیون خطی چندگانه و همچنین شبکه عصبی مصنوعی داده های شرکت که به صورت سال شرکت بود مورد آزمون قرار گرفت. نتایج این مطالعه نشان می دهد که نسبت بدهی و تصمیمات اهرم مالی در شرکت های بافناوری پیشرفته و سنتی متفاوت می باشد. معیارهای ساختار سرمایه در هر دو صنعت بافناوری پیشرفته و سنتی تفاوت معنی داری دارند و همچنین مدل های غیرخطی ساختار سرمایه نسبت به مدل های خطی پیش بینی های بهتری انجام می دهند.
۵۸.

مدلی برای تبیین و تنظیم پارامترهای فرایند تولید پلی اتیلن ترفتالات ) PET ( با بهره گیری از رویکرد تلفیقی روش سطح پاسخ و شبکه عصبی مصنوعی و الگوریتمهای فرا ابتکاری(مقاله علمی وزارت علوم)

نویسنده:
منبع: مطالعات مدیریت صنعتی سال سیزدهم پاییز ۱۳۹۴ شماره ۳۸

کلیدواژه‌ها: شبکه عصبی مصنوعی الگوریتم های فراابتکاری روش سطح پاسخ پلی اتیلن ترفتالات

حوزه های تخصصی:
  1. حوزه‌های تخصصی مدیریت مدیریت صنعتی طراحی محیط و مطالعه کار روابط صنعتی
  2. حوزه‌های تخصصی مدیریت مدیریت صنعتی مدیریت تولید توسعه محصول
تعداد بازدید : ۱۲۲۶ تعداد دانلود : ۷۶۳
در فرآیندهای صنعتی عوامل متعددی با سطوح مختلف وجود دارند که هر کدام ممکن است بر روی مشخصات محصول نهایی تاثیر گذار باشند. در این تحقیق، مدلسازی ریاضی غیر خطی چند هدفه برای 5 مشخصه کیفی محصول پلی اتیلن ترفتالات که یکی از محصولات پرکاربرد و مهم صنعت پتروشیمی کشور می باشد، برحسب 4 متغیر )پارامتر( کلیدی اثرگذار فرایند تولید آن انجام گرفته است. برای همین منظور از روش سطح پاسخ که تلفیقی از طراحی آزمایشات و آزمون های آماری است به همراه شبکه عصبی مصنوعی و الگوریتم های فراابتکاری استفاده شده است
۵۹.

فرار مالیاتی در واردات ایران، رویکرد مدل ترکیبی شبکه عصبی مصنوعی و الگوریتم تبرید تدریجی(مقاله علمی وزارت علوم)

نویسنده:
منبع: برنامه ریزی و بودجه سال بیستم تابستان ۱۳۹۴ شماره ۲ (پیاپی ۱۲۹)

کلیدواژه‌ها: واردات اقتصاد ایران شبکه عصبی مصنوعی پرسپترون چند لایه فرار مالیاتی الگوریتم تبرید تدریجی

حوزه های تخصصی:
تعداد بازدید : ۱۲۹۸ تعداد دانلود : ۷۲۶
مالیات بر واردات یکی از منابع درآمدی دولت است که بخشی از آن به دلیل فرار مالیاتی در اختیار دولت قرار نمی گیرد. عوامل مختلفی بر فرار مالیاتی در بخش واردات مؤثرند که این عوامل، در این مقاله با استفاده از مدل ترکیبی شبکه عصبی مصنوعی و الگوریتم تبرید تدریجی که قادر به تحلیل سیستم های غیر خطی است، مورد شناسایی قرار گرفته اند. به این منظور ابتدا چهار متغیّر توضیح دهنده فرار مالیاتی شامل بار مالیات بر واردات، اندازه دولت، سطح درآمد مالیات دهندگان و درجه بازبودن اقتصاد در مدل نهایی تصریح شده شبکه عصبی در نظر گرفته شدند. نتایج حاصل از تخمین فرار مالیاتی با استفاده از روش شبکه عصبی مصنوعی نشان می دهد طی سال های تحت بررسی فرار مالیاتی در واردات ایران دارای نوساناتی بوده و روند آن در دوره (1390-1350) نزولی بوده است. همچنین نتایج حاصل از تحلیل واریانس رگرسیون برآوردی بیانگر آن است که متغیّرهای بار مالیات بر واردات، اندازه دولت با ضرایب 236/0 و 492/0 دارای اثر مستقیم و معنی دار و متغیّرهای سطح درآمد مالیات دهندگان و درجه باز بودن اقتصاد با ضرایب (10/2-) و (92/7-) دارای اثر منفی و معنی دار بر روی میزان فرار مالیاتی در اقتصاد ایران هستند. مقادیر پیش بینی شده فرار مالیاتی در واردات ایران بر مبنای مدلسازی شبکه عصبی مصنوعی خطای کم تری را نسبت به پیش بینی فرار مالیاتی مبتنی بر رگرسیون برآوردی نشان می-دهد.
۶۰.

ارائه مدلی برای پیش بینی سطح معنویت در سازمان با رویکرد شبکه عصبی مصنوعی(مقاله علمی وزارت علوم)

نویسنده:
منبع: پژوهش های مدیریت منابع انسانی سال هفتم پاییز ۱۳۹۴ شماره ۳ (پیاپی ۲۱)

کلیدواژه‌ها: شبکه عصبی مصنوعی معنویت شرکت گاز معنویت در سازمان

حوزه های تخصصی:
  1. حوزه‌های تخصصی مدیریت گروههای ویژه مدیریت اسلامی
  2. حوزه‌های تخصصی مدیریت مدیریت دانش و IT سیستم های پشتیبانی تصمیم گیری
تعداد بازدید : ۹۰۵ تعداد دانلود : ۵۰۴
رشد روزافزون تمایل به معنویت در محیط کار، به ایجاد پارادایم جدیدی در علم سازمانی منجر شده و مزایای برآمده از ایجاد محیط کار معنوی، کانون توجه بسیاری از پژوهشگران قرار گرفته است. از این رو، با توجه به اهمیت موضوع معنویت در محیط کار، هدف این پژوهش، ارایه مدلی برای پیش بینی سطح معنویت در سازمان با رویکرد شبکه عصبی مصنوعی است. در این مطالعه، از روش پژوهش توصیفی- اکتشافی استفاده شده است. جامعه آماری این پژوهش کلیه کارکنان شرکت گاز استان یزد به تعداد 585 نفر بوده اند. با روش نمونه گیری تصادفی ساده، نمونه ای شامل 140 نفر (26 زن، 114 مرد) از کارکنان شرکت گاز انتخاب شدند و پرسشنامه ای محقق ساخته متشکل از 46 پرسش در چهار سطح: فردی، گروهی، سازمانی و معنویت در سازمان تدوین شد و پس از آزمون روایی و پایایی، بین افراد نمونه توزیع شد. نتایج حاصل از چهار نمونه شبکه عصبی، مشخص شد که عوامل رویه های سازمانی شامل: احساس کمک کردن شرکت به جامعه در کارکنان، توجه به نیازهای معنوی کارکنان، برگزاری دوره های آموزشی معنوی در سازمان و گزینش کارکنان بر مبنای فلسفه معنویت محورشرکت، مهم ترین عوامل مؤثر بر معنویت در سازمان کارکنان شرکت گاز استان یزد است.