مطالب مرتبط با کلیدواژه

شبکه عصبی مصنوعی


۸۱.

برآورد تقاضای سفر گردشگران ایرانی به ترکیه با استفاده از شبکه های عصبی مصنوعی(مقاله علمی وزارت علوم)

کلیدواژه‌ها: پیش بینی شبکه عصبی مصنوعی تقاضای سفر

حوزه های تخصصی:
تعداد بازدید : ۷۸۶ تعداد دانلود : ۵۲۹
برای شهروندان ایرانی سفر به ترکیه بدون داشتن ویزا مقدور بوده و عمده ترین دلایل شهروندان ایرانی برای سفر به ترکیه را می توان؛ استراحت و گذران اوقات فراغت، بهره مندی از جاذبه های م ختلف طبیعی، ساحلی، انسانی، تجارت، داد و ستد؛ مخصوصاً خرید البسه و پ وشاک؛ بر شمرد. گردشگری یکی از اصلی ترین محرک های اقتصادی کشور ترکیه محسوب می شود. افزایش یا کاهش تعداد گردشگران ایرانی در ترکیه به عوامل متعدد اقتصادی، سیاسی در سطح ملی و بین المللی ربط دارد. برآورد دقیق تقاضای گردشگری موضوعی مهم و حیاتی برای صنعت توریسم به شمار رفته و پیش بینی دقیق تقاضای گردشگری می تواند اطلاعات مفیدی را برای برنامه ریزی و سیاست گذاری های آتی در رابطه با توریسم فراهم سازد. هدف این مقاله پیش بینی تقاضای سفر به ترکیه از طرف گردشگران ایرانی می باشد. تکنیک مورد استفاده برای پیش بینی تقاضای سفر شبکه های عصبی مصنوعی می باشد. متغیرهای اثر گذار بر روی تقاضای گردشگری ایرانیان با بررسی پیشینه تحقیق استخراج شد و جمعاً 13 متغیر را این تحقیق برای پیش بینی تقاضای گردشگری به  کار رفت. نتایج به دست آمده از تحقیق نشان می دهد که برآوردهای به دست آمده در مقایسه با داده های واقعی از خطای کم تری برخوردار هستند. طبق یافته های تحقیق چهار متغیر مهم اثر گذار بر تقاضای گردشگری از طرف شهروندان ایرانی؛ میزان تولید روزانه نفت خام در ایران، نرخ تورم در ایران، تولید ناخالص داخلی در ترکیه، تولید ناخالص داخلی در ایران به ازای افراد شاغل است.
۸۲.

آشکارسازی تغییرات کاربری / پوشش اراضی شهر گنبد کاووس با استفاده از سنجش از دور(مقاله علمی وزارت علوم)

کلیدواژه‌ها: شبکه عصبی مصنوعی گنبدکاووس LCM مدل سازی تغییرات کاربری اراضی

حوزه های تخصصی:
تعداد بازدید : ۸۵۲ تعداد دانلود : ۴۳۹
توجه به توسعه فیزیکی شهری پایدار، به عنوان یک ضرورت اساسی در برنامه های توسعه ی شهری، حاکی از اهمیت این موضوع در تقویت جبهه های فرهنگی، اجتماعی و کالبدی شهر می باشد. تغییرات پوشش سرزمین و توسعه شهرها سبب تخریب زیستگاه های طبیعی و کاهش تنوع زیستی شده است، یکی از روش های مورد استفاده برنامه ریزان جهت کنترل روند تغییرات پوشش سرزمین و کاربری اراضی، مدل سازی می باشد. این مطالعه با هدف مدل سازی تغییرات کاربری اراضی شهر گنبدکاووس با استفاده از LCM   انجام شد. آشکارسازی تغییرات کاربری اراضی با استفاده از تصاویر ماهواره لندست متعلق به سال های 1366، 1379، 1389 و 1393 انجام شد. مدل سازی نیروی انتقال با استفاده از پرسپترون چندلایه شبکه عصبی مصنوعی و 10 متغیر انجام پذیرفت. سپس با استفاده از مدل پیش بینی سخت و دوره واسنجی 1366 تا 1379 مدل سازی برای سال 1389 صورت گرفت و برای ارزیابی با نقشه واقعیت زمینی سال 1389 مورد مقایسه قرار گرفت، در پایان نیز با استفاده از دوره واسنجی 1379 تا 1389 پوشش سرزمین سال 1404 ،1419 و 1429پیش بینی شد. نتایج نشان می دهد در کل دوره مورد مطالعه به ترتیب 32/2858  کاربری شهری و 47/1106 اراضی آبی افزایش داشته و همچنین به ترتیب 77/2331 اراضی بایر و 5/2135 هکتار از وسعت اراضی دیم کاسته شده است. نتایج مدل سازی نیروی انتقال در اکثر زیرمدل ها صحت بالایی را نشان می دهد. نتایج مدل سازی با استفاده از زنجیره های مارکوف نشان داد که در سال های آتی شهر گنبدکاووس توسعه شدیدی خواهد داشت و اغلب به سمت شرق و جنوب خواهد بود، همچنین توسعه در سمت شمال و غرب نیز وجود دارد که در صورت عدم توجه باعث توسعه حاشیه نشینی خواهد شد.
۸۳.

ارائه مدلی برای پیش بینی سودآوری شرکت های داروسازی با استفاده از شبکه عصبی مصنوعی(مقاله پژوهشی دانشگاه آزاد)

کلیدواژه‌ها: سودآوری شبکه عصبی مصنوعی مدل سازی شرکت های داروسازی

حوزه های تخصصی:
تعداد بازدید : ۶۵۴ تعداد دانلود : ۵۶۸
هدف این تحقیق تدوین مدلی برای پیشبینی سودآوری شرکتهای داروسازی با استفاده از شبکه عصبی مصنوعی میباشد. روش تحقیق توصیفی- مدلسازی بوده و جامعه آماری این تحقیق کلیه شرکتهای داروسازی فعال عضو بورس اوراق بهادار به تعداد 21 شرکت میباشد. با توجه به محدود بودن جامعه آماری، هیچ گونه نمونهگیری انجام نشده و کل جامعه مورد پیمایش قرار گرفته است. برای جمع آوری دادهها از اسناد و مدارک شرکتهای داروسازی پذیرفته شده در بورس اوراق بهادار تهران و برای تجزیه وتحلیل دادهها از شبکه عصبی مصنوعی استفاده شده است. نتایج بررسیها نشان میدهد که بهترین مدل پیشبینی سودآوری شرکتهای داروسازی با در نظر گرفتن متغیرهای سرمایه در گردش به کل داراییها، سود(زیان) انباشته به کل داراییها، سود قبل از بهره و مالیات به کل داراییها، ارزش بازار حقوق صاحبان سهام به ارزش دفتری بدهیها، فروش به کل داراییها و نقدینگی بدست آمده است.
۸۴.

استفاده از تکنیک داده کاوی جهت دسته بندی کاربران هدف کتابخانه مرکزی دانشگاه صنعتی اصفهان (مطالعه انگیزه ها و رفتارهای اطلاع یابی آنان)(مقاله علمی وزارت علوم)

کلیدواژه‌ها: شبکه عصبی مصنوعی خوشه بندی کتابخانه دانشگاهی رفتار اطلاع یابی نیاز اطلاعاتی

حوزه های تخصصی:
تعداد بازدید : ۱۱۸۳ تعداد دانلود : ۵۲۵
پژوهش حاضر به دسته بندی کاربران هدف کتابخانه مرکزی دانشگاه صنعتی اصفهان به جهت شناسایی رفتارها و نیازهای اطلاعاتی آنان پرداخته است. این پژوهش که از نوع کاربردی و به روش پیمایشی- توصیفی بوده، با رویکرد کمی و با استفاده از تکنیک شبکه عصبی در داده کاوی انجام شده است. ابزار پژوهش پرسشنامه ای محقق ساخته و داری64 گویه با پایایی معدل ضریب آلفای کرونباخ 0.862می باشد. جامعه نمونه پژوهش 356 نفر از اعضای هیئت علمی و دانشجویان مقاطع تحصیلات تکمیلی دانشگاه صنعتی اصفهان در سال تحصیلی94-93 بوده که با استفاده از نرم افزار MATLAB، بر حسب هر یک از مؤلفه های اصلی پژوهش (هدف و انگیزه اطلاع یابی، میزان استفاده از منابع اطلاعاتی، موانع اطلاع یابی، مهارت های اطلاع یابی و میزان استفاده از خدمات اطلاعاتی) خوشه بندی گردیده اند. سپس با حذف هر یک از زیرمؤلفه های اصلی پژوهش مشخص شد، بیشترین هدف و انگیزه اطلاع یابی در بین افرادجامعه پژوهش، تحقیق و انجام فعالیت های پژوهشی و کم اثرترین مؤلفه کسب وجه علمی و رقابت با هم ترازان؛ بیشترین منابع اطلاعاتی مورد نیاز کاربران کتابخانه ترجمه کتاب های لاتین و کمترین نیاز آنان گزارش ها و طرح های پژوهشی؛ مهمترین مانع اطلاع یابی آنان دسترسی نداشتن به اینترنت مناسب و کم اثرترین عامل،پر دردسر بودن استفاده ازمنابع؛ بیشترین مهارت اطلاع یابی کاربران آگاهی آنان از نیاز اطلاعاتی خود و مجراهای دسترسی به آن و کم اثرترین مؤلفه، توانایی تشخیص اهمیت اطلاعات حاصل از جستجوهای آنان با نیاز اطلاعاتیشان و مؤثرترین خدمات در رفع نیازهای اطلاعاتی آنان، توانایی کتابداران و متخصصان اطلاع رسانی در بازیابی اطلاعات و آگاهی آنان از منابع و خدمات اطلاعاتی و کم اثرترین،آشنایی با انواع منابع و خدمات اطلاعاتی در زمینه رشته تخصصی خودو امکان استفاده از منابع اطلاعاتی به صورت فایل های دیجیتالی و بدون نیاز به حضور در کتابخانه شناسایی شده است. شبکه عصبی به دلیل کارآمدی و قدرتمندی در تحلیل فضاهای پیچیده و با توجه به برخورداری از دقت بالا، توانسته از داده های حاصل از رفتارها و نیازهای اطلاع یابی جامعه پژوهش ویژگی های برجسته را فرا گیرد و از طریق آن ها کاربران را دسته بندی نماید. استفاده از شبکه عصبی خودسازمانده کوهونن به دلیل عدم نیاز به خروجی و ناظر توانسته است به صورت مستقیم و با کمترین خطای ممکن داده های حاصل از تراکنش های رفتارهای اطلاع یابی کاربران را تحلیل نماید. با توجه به هدف و یافته های پژوهش حاضر، دسته بندی کاربران هدف کتابخانه مرکزی دانشگاه صنعتی اصفهان با استفاده از تکنیک شبکه عصبی در داده کاوی بر مبنای نیازها و رفتارهای اطلاع یابی آنان امکان پذیر است.
۸۵.

به کارگیری هوش مصنوعی در پیش بینی شایستگی های زنان در محیط کار(مقاله علمی وزارت علوم)

کلیدواژه‌ها: ویژگی های فردی شایستگی شبکه عصبی مصنوعی مهارت هوش مصنوعی دانش

حوزه های تخصصی:
  1. حوزه‌های تخصصی مطالعات زنان زن و اقتصاد محیط های کاری
  2. حوزه‌های تخصصی علوم اجتماعی جامعه شناسی جامعه شناسی کار و شغل
تعداد بازدید : ۲۶۶۴ تعداد دانلود : ۱۴۷۰
امروزه میان صاحبنظران این توافق وجود دارد که نیروی انسانی از مهمترین و اساسی ترین سرمایه های اجتماعی است و نقش زنان متخصص و متعهد به عنوان بخشی از نیروی انسانی آموزش دیده، در توسعه همه جانبه جامعه امری انکارناپذیر است. این پژوهش با هدف بکارگیری هوش مصنوعی برای پیش بینی شایستگی شغلی کارکنان انجام شده است. برای این منظور 83 نفر از زنان شاغل مورد بررسی قرار گرفتند. برای طراحی شبکه عصبی مصنوعی، اطلاعات دانش (در چهار بُعد)، مهارت (در بیست و یک بُعد) و ویژگیهای فردی (در سیزده بُعد) کارکنان گردآوری شد؛ سپس شبکه عصبی مصنوعی با الگوریتم پرسپترون چند لایه و سه لایه نورونی (1. 33. 38) طراحی شد. پیش بینی شایستگی شغلی در گروه آزمایش توسط الگوی طراحی شده شبکه عصبی مصنوعی انجام، و با الگوی رگرسیون چندگانه مقایسه شد. نتایج نشان داد شبکه عصبی مصنوعی در شاخص عملکرد مطلوب (ماتریس آشفتگی) به طور قابل ملاحظه ای موفق بوده است. این پژوهش می تواند به توسعه روش شناسی و فرایند شایسته گزینی در حوزه زنان کمک شایانی کند.
۸۶.

پیش بینی قیمت گاز طبیعی با استفاده از ترکیب تبدیل موجک و شبکه عصبی مصنوعی (مطالعه موردی: بازار آمریکا)(مقاله علمی وزارت علوم)

کلیدواژه‌ها: تبدیل موجک پیش بینی قیمت گاز طبیعی شبکه عصبی مصنوعی

حوزه های تخصصی:
تعداد بازدید : ۷۰۹ تعداد دانلود : ۵۵۶
در این مقاله تلاش شده است با استفاده از ترکیب تبدیل موجک و شبکه عصبی مدلی به منظور پیش بینی روزانه قیمت گاز طبیعی ارائه شود. در این مدل ترکیبی، از موجک گسسته دابیشز به منظور تجزیه سری زمانی قیمت استفاده شده ، سپس ضرایب تقریبات و جزئیات مؤثر به عنوان ورودی شبکه عصبی به منظور پیش بینی قیمت گاز طبیعی هنری هاب به عنوان مرجعی برای قیمت گاز طبیعی در آمریکا به کار رفته است. مقایسه عملکرد نسبی مدل ترکیبی با مدل شبکه عصبی حاکی از آن است که مدل ترکیبی تبدیل موجک و شبکه عصبی عملکرد پیش بینی را در مقایسه با مدل شبکه عصبی بهبود بخشیده است. آزمون دیبولد ماریانو نیز این نتیجه را تأیید کرده است.
۸۷.

برآورد رواناب حوضه بار اریه با استفاده از مدل های WetSpa و شبکه عصبی مصنوعی(مقاله علمی وزارت علوم)

کلیدواژه‌ها: حوضه بار اریه رواناب شبکه عصبی مصنوعی مدل سازی WetSpa

حوزه های تخصصی:
  1. حوزه‌های تخصصی جغرافیا جغرافیای طبیعی آب و هواشناسی
  2. حوزه‌های تخصصی جغرافیا فنون جغرافیایی سنجش از راه دور GIS
  3. حوزه‌های تخصصی جغرافیا فنون جغرافیایی روش های کمی در جغرافیا
تعداد بازدید : ۵۱۷ تعداد دانلود : ۳۳۷
برآورد صحیح رواناب حوضه نقش بسیار مهمی در مدیریت آن دارد. تا به حال محققین زیادی از مدل های یکپارچه، توزیعی و هم چنین از روش های هوشمند مصنوعی به منظور برآورد رواناب حوضه استفاده نمودند. در تحقیق حاضر برای برآورد آبدهی حوضه بار اریه با مساحتی معادل با 112 کیلومتر مربع و متوسط بارش سالانه 72/306 میلی متر از دو مدل توزیعی WetSpa و مدل هوشمند شبکه عصبی مصنوعی ANN استفاده گردید. به منظور اجرای مدل WetSpa از دو دسته اطلاعات شامل نقشه های رستری و اطلاعات هواشناسی و برای مدل شبکه عصبی مصنوعی تنها از اطلاعات هواشناسی استفاده گردید. اجرای مدل های مذکور در دوره ی 5 ساله صورت پذیرفت. به منظور مقایسه نتایج مدل ها، از معیارهای ارزیابی ضریب همبستگی R 2، مجذور میانگین خطای استاندارد RMSE و میانگین قدر مطلق خطا MAE استفاده شد. نتایج بدست آمده نشان داد مدل WetSpa با R 2و RMSE برابر با  m 3/s920/0 وm 3/s  346/0 و هم چنین مدل شبکه عصبی مصنوعی با   R 2و RMSE برابر با m 3/s 959/0 و m 3/s 310/0 توانایی شبیه سازی جریان رودخانه بار اریه را دارند. هم چنین استفاده از مدل شبکه عصبی مصنوعی موجب کاهش خطای برآورد رواناب حوضه به مقدار 6/11 درصد در مقایسه با مدل WetSpa شده است.
۸۸.

مقایسه عملکرد دو مدل SDSM و شبکه های عصبی مصنوعی در پیش بینی تغییرات دمای حداقل (ایستگاه موردی: ارومیه)(مقاله علمی وزارت علوم)

کلیدواژه‌ها: تغییر اقلیم شبکه عصبی مصنوعی مدل SDSM دمای حداقل ارومیه

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 : ۶۰۴ تعداد دانلود : ۴۸۵
تغییرات آب و هوایی اشاره به تغییرات در میانگین یا تنوع در ویژگی های آب و هوایی دارد که همچنان نیز در حال حاضر برای دوره های طولانی ادامه خواهد داشت که نتیجه تغییر طبیعی و فعالیت های انسانی است. در پژوهش حاضر به منظور شبیه سازی تغییرات دمای حداقل از داده های دمای حداقل و مدل های گردش عمومی جو استفاده شد و بررسی عملکرد مدل ها با ضریب همبستگی و ریشه میانگین مربعات خطا صورت گرفت. در این مطالعه سال 1961-1990 به عنوان سال پایه و بررسی تغییرات دما در سانتی گرادی آینده دمای حداقل در سه دوره 2011-2040،2041-2070 و 2071-2099 انجام گرفت. نتایج پژوهش نشان داد که در سانتی گرادی آینده دماهای حداقل روندی کاهشی دارند. دماهای حداقل برآورد شده در دوره شبیه سازی برای دوره پایه برآورد مدل SDSM و شبکه عصبی مصنوعی در ماه ژانویه 8/1 و 3/2 درجه سانتی گراد نسبت به داده مشاهده شده اختلاف داشته است. در ژانویه براساس برآوردهای دو مدل در سال های 2011-2040 دما به میزان 3/3 درجه سانتی گراد افزایش دما برای سال های 2041 تا 2070 حدود 7/4 و برای بازه زمانی 2071 تا 2099 حدود 05/5 درجه افزایش خواهد یافت. براساس این تحقیق مدل SDSM نسبت به شبکه عصبی نتایج نزدیک به واقعیت را نشان داد.
۸۹.

مقایسه پراکنش خطا در شبکه های عصبی مصنوعی بازگشتی Elman و Jordan در تخمین غلظت ذرات معلق اتمسفر (PM10)با استفاده از تصاویر ماهواره ای MODIS (مورد مطالعاتی: شهر اهواز)(مقاله علمی وزارت علوم)

کلیدواژه‌ها: آلودگی هوا ذرات معلق شبکه عصبی مصنوعی Elman Jordan MODIS

حوزه های تخصصی:
  1. حوزه‌های تخصصی جغرافیا جغرافیای طبیعی آب و هواشناسی
  2. حوزه‌های تخصصی جغرافیا فنون جغرافیایی سنجش از راه دور GIS
  3. حوزه‌های تخصصی جغرافیا فنون جغرافیایی روش های کمی در جغرافیا
تعداد بازدید : ۵۴۰ تعداد دانلود : ۴۳۱
بواسطه پیچیدگی عملکردی پدیده آلودگی هوا، از روش های هوش مصنوعی بالاخص شبکه عصبی برای مدل سازی آلودگی هوا استفاده می شود. هدف از این پژوهش دو مدل شبکه عصبی بازگشتی Elman و Jordan در زمینه پراکنش خطا و اعتبارسنجی آنها، به منظور تخمین غلظت ذرات معلق موجود در اتمسفر در شهر اهواز می باشد. پارامترهای مورد استفاده شامل رطوبت، فشار هوا، دما و عمق نوری آئروسل می بوده که مقادیر آن از تصاویر ماهواره ای MODIS و داده های ایستگاه های هواشناسی تهیه شده است. نتایج نشان می داد که مدل Jordan با مقدار RMSE معادل 9/219 میلی گرم بر متر مکعب نسبت به مدل Elman با مقدار RMSE معادل 5/228 دقت برازش بهتری داشته است. مدل Jordan به دلیل استفاده از حلقه های درونی سبب به روز رسانی مقادیر زمینه شده و این امر موجب افزایش صحت مدل می شود. مقدار شاخص R2 ، که نماینده میزان رابطه خطی بین مقادیر پیش بینی شده با مقادیر واقعی است، برای مدل Jordan معادل 5/0 بدست آمده است که درصد تخمین صحیح 50 درصد داده ها را نشان می داد. در نهایت با استفاده ازداده های مربوط به غلظت PM10 برای روز 162 که بالاترین میزان غلظت را داشت با روش درونیابی IDW نقشه توزیع مکانی آن تولید شد. با توجه به گران بودن ایستگاه های آلودگی سنجی پیشنهاد شد از منابع کمکی دیگر مانند اطلاعات داوطلبانه با استفاده از سنسورهای ارزان قیمت موبایل به عنوان ایستگاه کمکی متحرک و کم هزینه جهت افزایش تراکم و پراکنش مناسب ایستگاه ها جهت مدلسازی دقیق تر آلودگی هوا استفاده شود.
۹۰.

ارائه الگویی برای کشف تقلب به وسیله حسابرسان با استفاده از شبکه عصبی مصنوعی(مقاله علمی وزارت علوم)

کلیدواژه‌ها: پیش بینی تقلب حسابرس شبکه عصبی مصنوعی کشف تقلب

حوزه های تخصصی:
تعداد بازدید : ۷۳۵ تعداد دانلود : ۷۳۲
جرم اقتصادی در حال افزایش است و هیچ شرکتی از مکر تقلب و متقلبان در امان نیست. نتایج پژوهش های پیشین نشان می دهد که اقتصادهای نوظهور بیش تر در معرض این خطر هستند. هدف اصلی این پژوهش ارائه الگویی برای کشف تقلب به وسیله حسابرسان با استفاده از شبکه عصبی مصنوعی پیش خور با الگوریتم پس انتشار خطا است. جامعه آماری پژوهش را سرپرستان، سرپرستان ارشد و مدیران موسسات حسابرسی عضو جامعه حسابداران رسمی ایران تشکیل می دهد. اطلاعات مربوط به شرکت های متقلب و غیرمتقلب از طریق ارسال پرسش نامه برای اعضای جامعه آماری جمع آوری و با استفاده از نرم افزار SPSS نسخه 20 و نرم افزار MATLAB  نسخه 2012، مورد تجزیه و تحلیل قرار گرفت. نتایج پژوهش نشان داد که الگوی شبکه عصبی مصنوعی طراحی شده با 9 نرون در لایه پنهان دارای دقت 9/86 درصد توانایی شناسایی شرکت های متقلب و غیرمتقلب را دارد.  
۹۱.

پیش بینی ورشکستگی مالی با استفاده از صورت جریان نقد: رهیافت شبکه عصبی مصنوعی(مقاله علمی وزارت علوم)

کلیدواژه‌ها: شبکه پرسپترون چند لایه شبکه عصبی مصنوعی صورت جریان وجه نقد مدل های پیش بینی ورشکستگی ورشکستگی

حوزه های تخصصی:
تعداد بازدید : ۴۲۸ تعداد دانلود : ۳۱۴
بحران مالی شرکت های بزرگ در دهه اخیر سبب گرایش اکثریت گروه های ذی نفع به مدل های پیش بینی ورشکستگی شده است. هدف اصلی این پژوهش ارزیابی محتوای اطلاعاتی نسبت های صورت جریان وجه نقد در تشخیص ورشکستگی شرکت های پذیرفته شده در بورس اوراق بهادار تهران با استفاده از شبکه عصبی مصنوعی است. جامعه آماری این پژوهش شرکت های پذیرفته شده در بورس اوراق بهادار تهران در دوره زمانی از سال های 1384 تا 1392 است. برای این منظور 84 شرکت شامل 42 شرکت ورشکسته و 42 شرکت سالم انتخاب شدند. شبکه عصبی این پژوهش پرسپترون سه لایه است که با روش الگوریتم پس انتشار خطا آموزش دیده است. براساس نتایج پژوهش، مدل شبکه عصبی با نسبت جریان نقدی عملیاتی به بدهی های جاری، نسبت پوشش جریان نقدی عملیاتی به بهره، نسبت بازده نقدی دارایی ها، نسبت کیفیت سود و نسبت آنی بیشترین قدرت پیش بینی را نسبت به ورشکستگی شرکت ها در ایران دارد. همچنین، یافته ها نشان می دهند که دقت پیش بینی مدل برای سال ورشکستگی 99 درصد و در مجموع مراحل ورشکستگی در یک، دو و سه سال قبل از ورشکستگی به ترتیب با دقت 91، 85 و 70 درصد است.
۹۲.

به کارگیری شبکه های عصبی مصنوعی در مدیریت مالی فرایندهای پژوهشی مطالعات دفاعی(مقاله علمی وزارت علوم)

کلیدواژه‌ها: مدیریت مالی فرایندهای پژوهشی شبکه عصبی مصنوعی مراکز مطالعات دفاعی آجا شبکه هاپفیلد

حوزه های تخصصی:
تعداد بازدید : ۶۱۹ تعداد دانلود : ۳۱۱
چکیده مدیریت مالی فرایند های پژوهش های نظری در مراکز مطالعاتی و پژوهشی دفاعی، با توجه به محدودیت های مربوط به اعتبارات پژوهشی و گستردگی این مراکز و نیز وجود اولویت های پژوهشی و سطح بندی آنها، همواره از اهمیت ویژه ای برخوردار بوده و چالش هایی را برای تصمیم گیران این حوزه ایجاد نموده است. هدف مقاله پیش رو شناسایی معیارهای مناسب مدیریت مالی فرایندهای پژوهشی در مراکز دفاعی (مطالعه موردی ارتش ج. ا. ا) و طراحی الگوی واگذاری بهینه آن به کمک سیستم هوشمند شبکه عصبی مصنوعی می باشد. در ابتدا با مراجعه به دستورالعمل ها و آیین نامه های پژوهشی آجا معیارهای واگذاری اعتبار تعیین و سپس از طریق پرسشنامه در مراکز پژوهشی مورد نظر معیارهای تعیین شده بررسی و مورد تأیید قرار گرفت. در ادامه الگوی واگذاری اعتبارات پژوهشی با استفاده از شبکه عصبی مصنوعی هاپفیلد و توسط نرم افزار متلب طراحی گردید. با مشخص شدن ماهیت ورودی و خروجی واگذاری اعتبارات پژوهشی سه حالت تخصیص اعتبار بر اساس شبکه عصبی مصنوعی ارائه گردید. یافته های پژوهش بیانگر آن است که از بین بیست و پنج شاخص شناسایی شده تعداد سه شاخص مورد تأیید قرار نگرفته و شاخص های چاپ کتاب، نوآوری در پژوهش و ارائه نظریه بالاترین اولویت را دارا می باشند. همچنین از بین سه الگوی وارد شده به شبکه الگوی اول بیشترین هم گرایی را با جواب شبکه که ارتقای دانش نظامی است، دارا می باشد.
۹۳.

آشکارسازی تغییرات کاربری اراضی و عوامل مؤثر بر آن با استفاده از شبکه عصبی مصنوعی(مورد مطالعه: شهرستان تالش)(مقاله پژوهشی دانشگاه آزاد)

کلیدواژه‌ها: کاربری اراضی سنجش از دور سکونتگاه های روستایی شبکه عصبی مصنوعی شهرستان تالش

حوزه های تخصصی:
تعداد بازدید : ۵۶۰ تعداد دانلود : ۶۴۳
تهیه و ارزیابی نقشه های کاربری اراضی و شناخت توان و استعداد اراضی منبع مهم اطلاعاتی برای اتخاذ سیاست های اصولی و تدوین برنامه های توسعه به شمار می رود. بنابراین در این تحقیق هدف، آشکارسازی روند تغییرات کاربری اراضی و تعیین عوامل موثر بر آن در شهرستان تالش با استفاده از تصویر ماهواره ای LANDSAT سنجنده +ETM در سال 1382 و تصویر سنجنده OLI مربوط به سال 1396 است. پس از انجام پیش پردازش های لازم، به منظور بالا بردن قدرت تفکیک مکانی تصاویر از روش IHS جهت ادغام تصویر پانکروماتیک و چندطیفی هر دو سنجنده استفاده شد. طبقه بندی تصاویر به صورت نظارت شده و از روی تصاویر ادغام شده که دارای قدرت تفکیک مکانی 15 متر بوده، با الگوریتم شبکه عصبی مصنوعی انجام شد. نتایج نشان داد که کاربری های اراضی جنگلی و کشاورزی در بازه زمانی 14 سال در شهرستان تالش روند کاهشی داشته است و برعکس کاربری های انسان ساخت در حال افزایش است. به دلیل افزایش روبه رشد جمعیت در شهرستان مورد مطالعه و نیز نیاز انسان به فضای بیشتر برای سکونت، منجر به توسعه فیزیکی شهر در جهات پیرامونی خود گردیده است که این عامل موجب بهره برداری از اراضی کشاورزی و جنگلی شده است. بنابراین برای حفظ عرصه های طبیعی، تثبیت و قانونی کردن کاربری اراضی در دستور کار متخصصان و مسئولان کشور قرار گیرد.
۹۴.

پیش بینی تغییرات مکانی جنگل های زاگرس با استفاده از تصاویر ماهواره ای و مدل LCM مطالعه موردی: حوزه بسطام شهرستان سلسله(مقاله علمی وزارت علوم)

کلیدواژه‌ها: تخریب جنگل شبکه عصبی مصنوعی مدل LCM زنجیره مارکوف تصاویر لندست

حوزه های تخصصی:
تعداد بازدید : ۵۹۲ تعداد دانلود : ۳۴۱
در دهه گذشته مشکل کاهش اراضی جنگلی در مقیاس منطقه ای و جهانی مورد توجه قرار گرفته است. هدف از این پژوهش، بررسی تغییرات سطح جنگل های زاگرس با استفاده از تصاویر ماهواره ای و روش های شبکه عصب مصنوعی و زنجیره مارکوف است. منطقه بسطام با مساحت9493 هکتار در 25 کیلومتری شمال شهرستان خرم آباد واقع شده است. نقشه های کاربری اراضی مربوط به سال های1364، 1379 و 1394 با استفاده از از روش طبقه بندی حداکثر احتمال و تصاویر سنجنده های TM و OLI ماهواره لندست تهیه شد. مدل سازی تغییر کاربری ها با استفاده از مدل LCM بر پایه شبکه عصب مصنوعی و 7 متغیر تاثیرگذار در میزان تغییرات شامل ارتفاع از سطح دریا، فاصله از مناطق مسکونی، شیب، جهت جغرافیایی، فاصله از جاده، فاصله از رودخانه و نقشه کاربری اراضی پیوسته شده، صورت گرفت. در ادامه با استفاده از روش مدل سازی زنجیره مارکوف، نقشه کاربری اراضی برای سال 1394 پیش بینی و جهت ارزیابی صحت نتایج بدست آمده از مدل، ماتریس خطا بین نقشه پیش بینی شده و نقشه واقعیت زمینی مربوط به این سال تشکیل شد. نتایج بررسی تغییرات در دوره اول نشان داد که بیشترین افزایش مساحت در ناحیه کشاورزی و بیشترین کاهش مساحت در ناحیه مناطق جنگلی به ترتیب به میزان 380 و 425 هکتار رخ داده است. با توجه به نتایج بدست آمده نرخ تخریب سالیانه جنگل در دوره اول، دوم و کل دوره به ترتیب 33/28، 13/23 و 73/25 هکتار برآورد گردید. همچنین نتایج این پژوهش نشان داد که متغیرهای ارتفاع و فاصله از مناطق مسکونی به ترتیب با ضریب همبستگی کرامر 47/0 و 43/0 بیشترین میزان تاثیرگذاری را در تغییرات کاربری اراضی و تخریب جنگل ها را دارند. در نهایت نتایج ارزیابی حاصل از مقایسه نقشه مدل سازی و واقعیت زمینی سال 1394 بیانگر میزان ضریب کاپا 89/0 بود که این مطلب حاکی از کارآیی مناسب مدل LCM در پیش بینی تغییرات کاربری اراضی است.
۹۵.

مد ل سازی تغییرات ساختار شهری با رویکرد برنامه ریزی فضایی برای رسیدن به توسعه پایدار شهری - مطالعه موردی: شهرقائم شهر(مقاله علمی وزارت علوم)

کلیدواژه‌ها: برنامه ریزی فضایی تغییرات ساختارشهری شبکه عصبی مصنوعی .LCM

حوزه های تخصصی:
تعداد بازدید : ۶۴۳ تعداد دانلود : ۳۵۰
تغییرات ساختار شهری همواره یکی از مهم ترین عواملی بوده که انسان از طریق آن محیط زیست خود را تحت تأثیر قرار داده است. با توجه به نقش محیط زیست در زندگی بشر، باید اطلاع دقیقی از چگونگی تغییر محیط زیست و روند تغییرات آن ها به دست آید. با پیش بینی تغییرات ساختار شهری، می توان میزان گسترش و تخریب منابع را مشخص و این تغییرات را در مسیرهای مناسب هدایت کرد. بنابراین مقاله حاضر با هدف مدل سازی تغییرات ساختار شهری با رویکرد برنامه ریزی فضایی برای رسیدن به توسعه پایدار شهری در قائم شهر انجام گرفت. آشکارسازی تغییرات ساختار شهری با به کارگیری تصاویر گوگل ارث، ماهواره های Astrium و DigitalGlobe مربوط به سال های 2015- 2007 انجام شد. مدل سازی نیروی انتقال با استفاده از پرسپترون چندلایه شبکه عصبی مصنوعی و 11 متغیر انجام پذیرفت. تخصیص تغییر به هر کاربری با استفاده از زنجیره مارکوف محاسبه شد. سپس با استفاده از مدل پیش بینی سخت و دوره واسنجی 1386 تا 1394 مدل سازیبرایسال 1402 صورتگرفت . درپایاننیزبااستفادهازدوره یواسنجی 1386 تا 1394 ساختار شهری سال 1402 پیش بینی شد. نتایج نشان داد در کل دوره مورد مطالعه، کاربری های جاده، زمین های بایر، باغات، آموزشی، مذهبی، پهنه یآبی، پارک و فضای سبز، صنعتی، ورزشی و مسکونی روندی افزایشی داشته است. اماکاربری کشاورزی با کاهش 437 هکتار و پوشش درختی با کاهش 9 هکتار مواجه بوده اند. همچنین نتایج مدل سازی نیروی انتقال با استفاده از شبکه عصبی مصنوعی در اکثر زیر مدل ها، صحت بالایی را نشان می دهد. نتایج مدل سازی برای سال 1402 نیز نشاندهنده افزایش بسیار زیاد در کاربری مسکونی (195 هکتار) و باغ (104هکتار) و کاهش چشمگیر 33 هکتاری کاربری کشاورزی است.
۹۶.

ارزیابی کارایی مدل های شبکه عصبی-فازی تطبیقی و شبکه عصبی مصنوعی در پیش بینی رسوب معلق روزانه (مطالعه موردی: حوضه آبخیز گرو)(مقاله علمی وزارت علوم)

کلیدواژه‌ها: حوضه آبخیز گرو شبکه عصبی مصنوعی شبکه عصبی- فازی تطبیقی رسوب معلق روزانه

حوزه های تخصصی:
تعداد بازدید : ۳۲۸ تعداد دانلود : ۴۱۸
مدلسازی و پیش بینی دقیق رسوب معلق در رودخانه عنصر کلیدی مدیریت منابع آب و سیاست های محیط زیستی می باشد. در این پژوهش کارایی مدل های شبکه عصبی مصنوعی و شبکه عصبی-فازی تطبیقی در پیش بینی بار رسوب معلق روزانه ایستگاه گرو واقع در حوضه آبخیز گرو مورد ارزیابی قرار گرفت. بدین منظور از آمار 782 نمونه (1380-1393) رسوب معلق برحسب میلی گرم بر لیتر و دبی جریان اندازه گیری شده متناظر با رسوب بر حسب متر مکعب بر ثانیه در سه الگوی ورودی مختلف استفاده شد. برای اجرای مدل های  شبکه عصبی مصنوعی و شبکه عصبی-فازی تطبیقی داده ها به دو دسته آموزش و آزمون تقسیم به طوری که 80% داده ها برای آموزش و 20% برای آزمون در نظر گرفته شد.  در شبکه عصبی مصنوعی از دو تابع سیگموئید  و تابع تانژانت هیپربولیک در لایه میانی و از تابع خطی در لایه خروجی و برای انجام مدل شبکه عصبی فازی-تطبیقی از روش تفکیک شبکه ای با سه تابع عضویت (مثلثی، گوسی و زنگوله ای تعمیم یافته) با تعداد عضویت بهینه که با سعی و خطا تعیین شد استفاده گردید. نتایج حاصل از پیش بینی رسوب معلق نشان داد که بهترین پیش بینی با با ضریب همبستگی 96/0، ضریب کارایی 95/0 و میانگین مربعات خطای 12/4789 میلی گرم بر لیتر مربوط به الگوی ورودی 2 با متغیر های ورودی دبی جریان روز جاری (Qt) و تاخیر دبی جریان روزانه تا 1 روز قبل از مبدا زمانی پیش بینی (Qt-1) و تاخیر رسوب معلق روزانه تا 1 روز قبل از مبدا زمانی پیش بینی (St-1) می باشد. بررسی نتایج حاصل از مدل های شبکه عصبی-فازی تطبیقی و شبکه عصبی مصنوعی نشان داد که مدل شبکه عصبی-فازی تطبیقی در هر سه الگو عملکرد بهتری نسبت به شبکه عصبی مصنوعی در پیش بینی رسوب معلق روزانه داشته است. 
۹۷.

مقایسه مدل شبکه عصبی مصنوعی با مدل منطق فازی در ارزیابی خطر زمین لغزش(مطالعه موردی حوضه آبریز سیمره چنار)(مقاله علمی وزارت علوم)

کلیدواژه‌ها: زمین لغزش شبکه عصبی مصنوعی حوضه سیمره چنار سیستم اطلاعات جغرافیایی مدل منطق فازی

حوزه های تخصصی:
تعداد بازدید : ۴۱۴ تعداد دانلود : ۲۳۶
زمین لغزش به عنوان یکی از مخاطرات طبیعی در مناطق کوهستانی هر ساله منجر به خسارات زیادی می شود. حوضه آبریز سیمره چنار، با داشتن ویژگی های کوهستانی و شرایط طبیعی مختلف دارای استعداد بالقوه زمین لغزش است. هدف از این پژوهش، مقایسه مدل شبکه عصبی مصنوعی با مدل منطق فازی، جهت ارزیابی خطر زمین لغزش در حوضه سیمره چنار است. بدین جهت ابتدا پارامترهای مؤثر در وقوع زمین لغزش استخراج و سپس لایه های مربوطه تهیه شده است. سپس نقشه پراکنش زمین لغزش های رخ داده شده حوضه تهیه و با تلفیق نقشه عوامل مؤثر بر لغزش با نقشه پراکنش زمین لغزش ها، تأثیر هر یک از عوامل شیب، جهت شیب، سنگ شناسی، بارش، فاصله از گسل، کاربری اراضی، خاک، فاصله از آبراهه در محیط نرم افزارArcGIS محاسبه گردید. در این مطالعه به منظور مقایسه مدل ها، در پهنه بندی خطر زمین لغزش حوضه سیمره چنار، از مدل های شبکه عصبی مصنوعی و منطق فازی استفاده گردید. در مدل شبکه عصبی مصنوعی الگوریتم پس انتشار خطا و تابع فعال سازی سیگموئید بکار گرفته شد. ساختار نهایی شبکه دارای 8 نرون در لایه ورودی، 14 نرون در لایه پنهان و 1 نرون در لایه خروجی گردید. پس از بهینه شدن ساختمان شبکه، کل اطلاعات منطقه در اختیار شبکه قرار گرفت و در نهایت با توجه به وزن خروجی، نقشه پهنه بندی زمین لغزش تهیه شد. در مدل منطق فازی از اپراتورهای عملگراجتماعفازی، عملگراشتراکفازی، عملگرضربجبری فازی، عملگرجمعجبری فازی، عملگرگاما فازی مدل منطق فازی استفاده شد. برای ارزیابی نتایج خروجی مدل های مورد استفاده در برآورد خطر لغزش منطقه از ضریب آماری کاپا استفاده شد. نتایج بدست آمده نشان می دهد که مدل شبکه عصبی مصنوعی با ضریب کاپای 91/0 مدل کارآمدتری نسبت به مدل منطق فازی در تهیه نقشه خطر لغزش های حوضه سیمره چنار است. از میان عوامل تاثیرگذار بر زمین لغزش در منطقه مورد مطالعه عامل شیب به عنوان مهمترین عامل و عوامل سنگ شناسی و خاک در مراتب بعدی قرار گرفتند. بر اساس پهنه بندی صورت گرفته با استفاده از مدل شبکه عصبی مصنوعی، به ترتیب 12/10، 92/22، 04/31، 76/20، 16/15 درصد از مساحت منطقه در کلاس های خطر خیلی کم، کم، متوسط، زیاد و خیلی زیاد قرار گرفته است.
۹۸.

ارزیابی عملکرد شرکت های فرابورس ایران با استفاده از معیار تسلط تصادفی و بهینه سازی آن با الگوی ترکیبی PSO و ANN(مقاله علمی وزارت علوم)

کلیدواژه‌ها: ارزیابی عملکرد فرابورس تسلط تصادفی شبکه عصبی مصنوعی بهینه سازی تجمیع ذرات

حوزه های تخصصی:
تعداد بازدید : ۳۰۸ تعداد دانلود : ۲۴۳
هدف پژوهش حاضر، ارزیابی عملکرد شرکت های فرابورس ایران با استفاده از معیار تسلط تصادفی و بهینه سازی آنها با استفاده از الگوی هیبریدی شبکه عصبی مصنوعی و بهینه سازی تجمیع ذرات است. برای رسیدن به این هدف، از بازده هفتگی و روزانه 36 شرکت از ابتدای فروردین تا پایان اسفند 1393 استفاده شده است که کاربرد همزمان معیار تسلط تصادفی به دلیل جهت گیری های ناپارامتریک و کارآیی اثبات شده الگوی هیبریدی موردنظر، جذابیت خاصی دارد. نتایج پژوهش نشان می دهد تسلط مرتبه های اول، دوم و سوم میان شرکت های بررسی شده وجود دارد که بین سبد های تشکیل یافته از سهام شرکت های رتبه بندی شده براساس تسلط تصادفی، با قید محدودیت حداقل دو و حداکثر ده سهم برای سبد، درنهایت سبد 8 سهمی با ترکیب تابع فعال سازی TPT، سبد بهینه انتخاب شد که در مقایسه با شاخص بازار فرابورس ایران طی دوره بررسی شده، عملکردی به مراتب بهتر از خود نشان داده است.
۹۹.

پیش بینی خطر سقوط قیمت سهام با استفاده از الگوریتم ژنتیک و مقایسه با رگرسیون لوجستیک، با تأکید بر نگرش انتخاب ویژگی(مقاله علمی وزارت علوم)

کلیدواژه‌ها: الگوریتم ژنتیک انتخاب ویژگی خطرسقوط قیمت سهام شبکه عصبی مصنوعی

حوزه های تخصصی:
تعداد بازدید : ۹۴۷ تعداد دانلود : ۶۰۰
ریسک سقوط قیمت سهام، شاخصی برای اندازه گیری عدم تقارن در ریسک محسوب می شود و از اهمیت فراوانی در تحلیل پرتفوی و قیمت گذاری دارایی های سرمایه ای برخوردار است. با توجه به اهمیت ریسک سقوط، پژوهش های متعددی به بررسی عوامل موثر بر آن پرداخته اند که در تمام آنها از روش های سنتی به منظور پیش بینی استفاده شده است در حالی که در سال های اخیر روش های نوین فراابتکاری در سایر مباحث مالی به طور گسترده ای مورد استفاده قرار گرفته است و نتایج بهتری داشته اند. هدف این پژوهش، مدل بندی پیش بینی خطر سقوط قیمت سهام شرکت های پذیرفته شده در بورس اوراق بهادار تهران، با استفاده از الگوریتم ژنتیک و مقایسه نتایج با رگرسیون لجستیک می باشد. بدین منظور یک فرضیه برای بررسی این موضوع تدوین و داده های مربوط به 107 شرکت عضو بورس اوراق بهادار تهران برای دوره زمانی بین سال های 1389تا 1395 مورد تجزیه و تحلیل قرار گرفت. ابتدا 14 متغیر مستقل به عنوان ورودی الگوریتم ترکیبی ژنتیک و شبکه عصبی مصنوعی که به عنوان یک روش انتخاب ویژگی در نظر گرفته شده است، وارد مدل گردید و 7 متغیر بهینه انتخاب شد سپس با استفاده از الگوریتم ژنتیک و رگرسیون لجستیک اقدام به پیش بینی خطر سقوط قیمت سهام گردید. برای محاسبه خطر سقوط قیمت سهام از معیار دوره خطر استفاده شده است. .نتایج این پژوهش نشان می دهدکه مدل مبتنی بر الگوریتم ژنتیک نسبت به رگرسیون لجستیک، برای پیش بینی خطر سقوط قیمت سهام توانایی بیشتری دارد. بنابراین فرضیه پژوهش تأیید می شود.
۱۰۰.

برآورد موجودی سرپای جنگل بااستفاده از داده های لیدار فضایی ICESat/GLAS در جنگل های کوهستانی شمال ایران(مقاله علمی وزارت علوم)

کلیدواژه‌ها: حجم سرپای جنگل لیدار فضایی ICESat GLAS رگرسیون چندگانه شبکه عصبی مصنوعی

حوزه های تخصصی:
تعداد بازدید : ۴۷۶ تعداد دانلود : ۳۴۰
اندازه گیری موجودی سرپای جنگل یکی از متغیرهای کمّی مهم است که نقش بسیاری در برنامه ریزی و مدیریت جنگل دارد. در این تحقیق، تلاش شد تا این ویژگی در بخشی از جنگل های کوهستانی شمال ایران (نوشهر)، بااستفاده از داده های لیدار فضایی برآورد شود. بدین منظور، طی پیش پردازش های اولیه روی داده های ICESat/GLAS از دو مأموریت متفاوت (L3K و L3I)، ضمن حذف داده های نامطلوب، سنجه های گوناگونی همچون گستره شکل موج (W ext )، گستره لبه پیشتاز (H lead )، گستره لبه پشتی (H trail ) و سنجه های ارتفاع در چارک های انرژی ( 25 H، 50 H، 75 H و 100 H) از شکل موج ها (waveform) استخراج شد. همچنین، با استفاده از روش تحلیل مؤلفه های اصلی (PCA) روی شدت سیگنال های شکل موج، ضمن حذف نویزها و فشرده سازی اطلاعات، مؤلفه های جدیدی تولید و به کار گرفته شد. با توجه به کوهستانی و شیب دار بودن منطقه و تأثیر آن در ویژگی های شکل موج، از مدل رقومی ارتفاع برای استخراج شاخص زمینی (TI) که بیانگر اطلاعات مربوط به توپوگرافی زمین است، استفاده شد. به منظور توسعه مدل های رگرسیونی و اعتبارسنجی آنها، حجم سرپا در 60 قطعه نمونه زمینی به قطر هفتاد متر اندازه گیری شد. سپس مدل های رگرسیون چندگانه و شبکه عصبی مصنوعی براساس دو دسته متغیر شامل سنجه های استخراج شده از شکل موج و مؤلفه های حاصل از PCA برای برآورد حجم سرپا توسعه داده شدند و به روش اعتبارسنجی متقابل پنج گردشی ارزیابی شدند. به طورکلی، هر دو روش رگرسیون چندگانه و شبکه عصبی مصنوعی نتایج تقریباً مشابهی داشتند. در این میان، روش شبکه عصبی مصنوعی براساس مؤلفه های حاصل از PCA قادر بود موجودی سرپای جنگل را با m 3 /ha9/119=RMSE و 73/0= برآورد کند (6/26=RMSE%). یکی از نکات مثبت این مدل درمقایسه با دیگر مدل ها، وابسته نبودن متغیرهای ورودی به کاررفته ( 1 PC، 2 PC، 3 PC و W ext )، به شناسایی صحیح قله زمین است که در مناطق شیب دار مشکل و با خطا همراه است. نیاز نداشتن به داده کمکی (مدل رقومی ارتفاع) و برآورد صحیح تر حجم جنگل در قطعه نمونه های تنک با موجودی سرپای کم از دیگر نکات مثبت این مدل است.