مطالب مرتبط با کلیدواژه
۱۲۱.
۱۲۲.
۱۲۳.
۱۲۴.
۱۲۵.
۱۲۶.
۱۲۷.
۱۲۸.
۱۲۹.
۱۳۰.
۱۳۱.
۱۳۲.
۱۳۳.
۱۳۴.
۱۳۵.
۱۳۶.
۱۳۷.
۱۳۸.
۱۳۹.
۱۴۰.
شبکه عصبی مصنوعی
منبع:
اقتصاد کشاورزی دوره ۱۴ پاییز ۱۳۹۹ شماره ۳ (پیاپی ۵۵)
131 - 155
حوزه های تخصصی:
هدف از مطالعه حاضر بررسی اثر واردات بخش کشاورزی بر تقاضای نیروی کار (اشتغال) کشاورزی ایران برای دوره زمانی 1398-1357 و پیش بینی اشتغال این بخش برای چشم انداز 1404 است. در مطالعه حاضر، تقاضای نیروی کار در بخش کشاورزی تابعی از دستمزد، ارزش افزوده بخش کشاورزی، موجودی سرمایه و واردات منظور شده است. جهت برآورد رابطه هم جمعی و پویایی های کوتاه مدت و بلندمدت، از الگوهای خودرگرسیونی برداری و مدل تصحیح خطای برداری استفاده شد. همچنین از شبکه عصبی طراحی شده به دلیل کارایی بیشتر نسبت به دیگر الگوها در جهت پیش بینی اشتغال بخش کشاورزی ایران برای سال های 1399 تا 1404 استفاده شد. نتایج نشان داد که در بلندمدت ارزش افزوده بخش کشاورزی اثر مثبت و موجودی سرمایه، دستمزد و واردات اثر منفی بر اشتغال بخش کشاورزی دارد. همچنین نتایج نشان داد که روند کاهش سهم اشتغال در بخش کشاورزی ایران به نسبت کل اقتصاد تا سال 1404، همچون دهه های گذشته ادامه خواهد داشت و از رشد سالانه 03/1 درصد به 77/0 درصد می رسد. در نهایت سیاست های دولت باید با هدف افزایش ارزش افزوده بخش کشاورزی اجرایی شود تا از این طریق شغل های جدید، امنیت غذایی و خودکفایی فراهم شود.
بررسی و مقایسه عملکرد شبکه های عصبی مصنوعی FFB، CFB و MLP به منظور شناسایی مکان های مستعد برای احداث نیروگاههای خورشیدی فتوولتائیک در استان آذربایجان شرقی(مقاله علمی وزارت علوم)
حوزه های تخصصی:
به موازات پیشرفت تکنولوژی در بسیاری از کشورهای جهان نیاز به انرژی در حال افزایش است. این امر به ویژه در کشورهای در حال توسعه مانند ایران اهمیت خاصی دارد. با توجه به موقعیت جغرافیایی کشور ایران و بهره مندی آن از تعداد روزهای آفتابی زیاد، استفاده از انرژی خورشیدی درمقیاس نیروگاهی به تأمین انرژی پایدار کمک می کند. با در نظر گرفتن توانایی شبکه های عصبی در حل مسائل پیچیده، در پژوهش حاضر به منظور شناسایی مناطق مستعد برای احداث نیروگاه خورشیدی از ترکیب سیستم تصمیم گیری مکانی، محیط GIS و شبکه های عصبی مصنوعی استفاده شده است. داده های به کار رفته در پژوهش شامل تابش خورشیدی، بارش، ساعت آفتابی، دما، ارتفاع، شیب زمین، کاربری اراضی، فاصله از جاده ها و فاصله از شهرهاست. براساس این معیارها، داده های آموزش تهیه شدند و با استفاده از الگوریتم آموزش لونبرگ- مارکوارت شبکه های FFB، CFB و MLP تحت آموزش قرار گرفتند. براساس نتایج پژوهش، شبکه CFB به صورت 9، 6، 1 با مقادیر RMSE 084/0 و 061/0 به ترتیب برای داده های آموزش و تست به منزله مناسب ترین شبکه انتخاب و با نتایج به دست آمده از این شبکه مکان یابی انجام شد. نتایج در پنج کلاس طبقه بندی شد؛ از این بین، 57/15 درصد در کلاس بسیار مطلوب، 59/20 درصد در کلاس مطلوب، 65/27 درصد در کلاس متوسط، 45/28 درصد در کلاس نامطلوب و 74/7 درصد در کلاس بسیار نامطلوب برای احداث نیروگاههای خورشیدی فتوولتائیک در استان آذربایجان شرقی شناسایی شد.
مدل سازی حرکات توده ای و مدیریت مناطق حساس به وقوع این حرکات، با استفاده از الگوریتم های آماری و شبکه عصبی (مطالعه موردی: حوضه آبریز اوجان چای)(مقاله علمی وزارت علوم)
منبع:
جغرافیا و توسعه تابستان ۱۴۰۰ شماره ۶۳
147 - 174
حوزه های تخصصی:
این پژوهش با هدف مقایسه مدل شبکه عصبی مصنوعی با مدل رگرسیون لجستیک ، جهت ارزیابی خطر حرکات توده ای و ناپایداری دامنه ای و شناسایی عوامل مؤثر در ایجاد این پدیده در حوضه اوجان چای انجام گرفته است. هدف از نتایج به دست آمده از مدل های آماری، تعیین مناطق دارای پتانسیل وقوع ناپایداری و نهایتا تهیه ی نقشه پهنه بندی خطر برای منطقه ی مورد مطالعه می باشد.بدین جهت ابتدا پارامترهای مؤثر در وقوع ناپایداری دامنه ای استخراج شد و سپس لایه های مربوطه تهیه شده است. نقشه پراکنش ناپایداری های دامنه ای رخ داده شده در حوضه تهیه شد و با نقشه عوامل مؤثر بر حرکات و نقشه پراکنش ناپایداری های دامنه ای تلفیق شد و تأثیر هر یک از عوامل شیب، جهت شیب، ارتفاع از سطح دریا، سنگ شناسی، بارش، فاصله از گسل، کاربری اراضی، فاصله از روستا و جاده ، فاصله از شبکه ی زهکشی در محیط نرم افزار ArcGIS محاسبه گردید. برای ارزیابی نتایج خروجی مدل های مورد استفاده شده از ضرایب آماری ROC, Pseudo Rsquareو Chi Square استفاده شد. نتایج مدل ها نشان داد درصد پهنه هایی با خطر بسیار بالا در مدل شبکه ی عصبی و رگرسیون لجستیک به ترتیب 32/10 و 06/5 درصد می باشد که عمدتا محدوده های را شامل می گردد که از لحاظ لیتولوژی این مناطق در محدوده هایی با میزان مقاومت پایین قرار گرفته اند. همچنین مدل شبکه عصبی با مقدار شاخص ROC ، 89/0 مدل کارآمدتری نسبت به رگرسیون لجستیک جهت پهنه بندی وقوع ناپایداری های دامنه ای می باشد؛ براساس پهنه بندی صورت گرفته با استفاده از مدل شبکه عصبی، به ترتیب ،32/40 ،15/22 ،32/18 ،89/832/10 درصد از مساحت منطقه در کلاس های خطر خیلی کم، کم، متوسط، زیاد و خیلی زیاد قرار گرفته است.
ارائه چهارچوبی برای حراج معکوس آنلاین مبتنی بر یادگیری بازار ساز در شرایط ریسک گریزی خریدار(مقاله علمی وزارت علوم)
حوزه های تخصصی:
حراج معکوس آنلاین یکی از رویکردهای تأمین کالا و مواد موردنیاز بر بستر اینترنت می باشد که در آن خریدار، یک یا چند فروشنده را بر اساس پیشنهادهای آن ها انتخاب می نماید. در این مقاله یک چهارچوب جدید برای فرایند حراج معکوس آنلاین ارائه شده است که هر دو سوی فرایند تأمین (خریدار و فروشنده) را در نظر می گیرد. فرایند حراج پیشنهادی یک حراج معکوس آنلاین چند شاخصه ی نیمه بسته چند دوره ای می باشد. در این فرایند یک بازار ساز آنلاین، با پیش بینی تابع امتیازدهی خریدار، فرایند پیشنهاددهی فروشندگان را تسهیل می نماید. در این حالت، علاوه بر پنهان بودن تابع امتیازدهی فروشنده، اطلاعاتی جهت بهبود پیشنهاددهی در اختیار فروشندگان قرار می گیرد. برازش تابع امتیازدهی توسط یک شبکه عصبی پرسپترون چندلایه در نظر گرفته شده است. همچنین روش های امتیازدهی خریدار به صورت جمعی، ضربی و ریسک گریز تعریف شده است. در این چهارچوب، فروشندگان در هر دور با استفاده از یک مدل بهینه سازی، پیشنهادهای خود را بهبود می بخشند. با شبیه سازی فرایند حراج، چهارچوب پیشنهادی در مقایسه با یک حراج باز با درنظرگرفتن معیارهای امتیاز فروشندگان، سود فروشندگان و تعداد دور حراج، مورد ارزیابی قرار گرفته است. نتایج شبیه سازی نشان می دهد که در مدل پیشنهادی علاوه بر عدم افشای اطلاعات امتیازدهی خریدار، تفاوت معناداری در معیارهای ارزیابی با مدل حراج باز وجود ندارد.
کاربرد مدل های شبکه عصبی مصنوعی، نسبت فراوانی و تابع شواهد قطعی در تهیه نقشه حساسیت به وقوع سیل در حوزه آبخیز هراز: الگویی برای مطالعات مخاطرات سیلاب شهری(مقاله علمی وزارت علوم)
منبع:
پژوهش و برنامه ریزی شهری سال دوازدهم تابستان ۱۴۰۰ شماره ۴۵
181 - 202
حوزه های تخصصی:
در این تحقیق برای تهیه نقشه حساسیت به وقوع سیل در حوزه آبخیز هراز در استان مازندران از روش های شبکه عصبی مصنوعی (ANN)، نسبت فراوانی (FR) و تابع شواهد قطعی (EBF) استفاده شده است و برای دستیابی به هدف پژوهش از ده پارامتر موثر در وقوع سیلاب از قبیل شیب، انحنای زمین، فاصله از رودخانه، طبقات ارتفاعی، بارش، شاخص توان رودخانه (SPI)، شاخص رطوبت توپوگرافی (TWI)، لیتولوژی، کاربری اراضی و شاخص تفرق پوشش گیاهی (NDVI) استفاده گردید. همچنین، موقعیت جغرافیایی 211 نقطه سیل گیر در منطقه تهیه شده و نقاط به صورت تصادفی به گروه هایی متشکل از 151 نقطه (70%) و 60 نقطه (30%) به ترتیب برای واسنجی و اعتبار سنجی تقسیم شده اند. سپس احتمال رخداد سیل برای هر کلاس از هر پارامتر محاسبه گردید. وزن های محاسبه شده برای هر کلاس در سیستم اطلاعات جغرافیایی در لایه های مربوطه اعمال گردیده و نقشه های حساسیت به وقوع سیل منطقه مورد مطالعه به دست آمد. براساس نقشه پتانسیل سیل خیزی، منطقه به 5 کلاس با حساسیت خیلی زیاد، زیاد، متوسط، کم و خیلی کم تقسیم گردید. روش های مذکور توسط روش منحنی مشخصه عملکرد سیستم (AUC) ارزیابی شدند. نتایج حاکی از آن است که طبقات ارتفاعی پایین و نزدیک رودخانه دارای احتمال و حساسیت بالایی نسبت به وقوع سیل می باشند. همچنین نتایج نشان داد که تکنیک نسبت فراوانی (AUC=0.97)، تابع شواهد قطعی (AUC=0.94) و شبکه عصبی مصنوعی (AUC=0.87) به ترتیب اولویت، دارای بیشترین دقت در پیش بینی وقوع سیل بوده اند. از این رو مدل های مذکور به منظور پیش بینی پتانسیل خطر سیل به ویژه در نواحی مختلف از جمله فضاهای شهری به دلیل کارایی بالا، می تواند مفید و قابل اعتماد باشند.
برآورد عملکرد محصولات کشاورزی با استفاده از تصاویر سری زمانی سنتینل 2 (مطالعه موردی: شهرستان زنجان)(مقاله علمی وزارت علوم)
حوزه های تخصصی:
اساس برنامه ریزی و مدیریت صحیح داشتن آمار و اطلاعات دقیق و به هنگام است. یکی از مهم ترین آمار و اطلاعات بخش کشاورزی میزان تولید سالیانه هر محصول یا سطح زیرکشت است. یکی از ابزارهایی که در کمترین زمان و با هزینه پایین و دقت مناسب، می تواند سطح زیرکشت محصولات را محاسبه کند دانش و فنّاوری سنجش از دور است. در این تحقیق، از دو روش طبقه بندی شبکه عصبی مصنوعی و ماشین بردار پشتیبان استفاده شده و سطح زیرکشت محصولات غالب منطقه، شامل هشت کلاس، از تصاویر سری زمانی سنتینل 2 برآورد شده است. براساس نتایج به دست آمده، صحت کلی هریک از روش های شبکه عصبی مصنوعی و ماشین بردار پشتیبان به ترتیب برابر با 97.74 و 97.96%، با ضریب کاپای 0.97 برای برآورد سطح زیرکشت محصولات بوده است. بنابراین، نتایج این دو روش مورد قبول واقع شده است. با توجه به صحت کلی، می توان نتیجه گرفت که دو روش طبقه بندی نتایج تقریباً یکسانی در منطقه دارد. علاوه براین، طبق نتایج صحت کاربر، می توان بیان کرد درمورد چهار محصول یونجه، برنج، پیاز و خربزه، عملکرد روش ماشین بردار پشتیبان بهتر از روش شبکه عصبی است و درمورد گندم دیم و آبی، جارو و مرتع، روش شبکه عصبی بهتر از ماشین بردار پشتیبان در منطقه عمل می کند.
شبیه سازی دمای بیشینه ایستگاه سینوپتیک قزوین با استفاده از ریزمقیاس نمایی آماری خروجی مدل CanESM2(مقاله علمی وزارت علوم)
منبع:
اطلاعات جغرافیایی سپهر دوره ۳۰ تابستان ۱۴۰۰ شماره ۱۱۸
25 - 41
حوزه های تخصصی:
تغییرات اقلیمی، گرمایش جهانی و خشکسالی های اخیر طی سال های گذشته از جمله مهم ترین نگرانی های بشر در امور مدیریت و برنامه ریزی مبتنی بر دانسته های اقلیمی به حساب می آید. یکی از روش های بررسی تغییرات اقلیمی، استفاده از مدل های اقلیمی و ریزمقیاس نمایی است که امروزه این امر با استفاده از مدل های هوشمند و تجربی نظیر شبکه های عصبی مصنوعی از ارزش زیادی برخوردار است. هدف از این پژوهش، ریزمقیاس نمایی و شبیه سازی دمای بیشینه ایستگاه سینوپتیک قزوین با استفاده از روش شبکه عصبی مصنوعی و بهره گیری از نرم افزار MATLAB است. بدین منظور از داده های 26 عنصر جوّّّی برگرفته از مرکز ملی پیش بینی محیطی و مرکز ملی پژوهش های جوّّّی ( NCEP/NCAR ) و داده های دمای بیشینه ایستگاه سینوپتیک قزوین برای دوره آماری 2005-1961 و سناریوهای انتشار ( RCP ) خروجی مدل CanESM2 برای دوره آماری 2100-2006 استفاده گردید. در تحقیق حاضر از چهار روش پیش رونده، روش حذف پس رونده، نمایه کاهش درصدی و روش گام به گام به منظور پیش پردازش متغیرها و گزینش متغیرهای ورودی مدل استفاده شده است. سپس با بکارگیری آماره های ضریب همبستگی ( R ) و میانگین مربعات خطا ( MSE ) بهترین معماری شبکه طراحی گردید که طی آن با استفاده از روش پیش رونده، متغیرهای میانگین دما در ارتفاع نزدیک سطح زمین، میانگین فشار تراز دریا و ارتفاع تراز 500 و 850 هکتوپاسکال به عنوان متغیرهای پیش بینی کننده انتخاب شدند و در نهایت براساس آن، شبیه سازی انجام گرفت. پس از بررسی مقادیر شبیه سازی شده تحت سناریوهای RCP4.5 ، RCP2.6 و RCP8.5 مشخص شد که دمای ایستگاه سینوپتیک قزوین تا سال 2100 طی سناریوی RCP 2.6 نسبت به دوره پایه (2005-1961)، حدود 1.3 درجه سانتی گراد، طبق سناریوی RCP 4.5 به میزان 2.7 درجه سانتی گراد و مطابق سناریوی RCP 8.5 مقدار 4.1 درجه سانتی گراد افزایش خواهد داشت.
توسعه مدل بنیش با ترکیب شبکه های عصبی مصنوعی و الگوریتم بهینه سازی حرکت تجمعی ذرات برای پیش بینی دستکاری سود(مقاله علمی وزارت علوم)
منبع:
بررسی های حسابداری و حسابرسی سال ۲۶ زمستان ۱۳۹۸ شماره ۴
615 - 638
حوزه های تخصصی:
هدف: به باور بنیش (1999)، دستکاری سود زمانی رخ می دهد که مدیریت، اصول پذیرفته شده عمومی حسابداری را به منظور سودآور نشان دادن عملکرد مالی شرکت نقض می کند. در این پژوهش، مدل بنیش با تأکید بر متغیرهای خارج از داده های حسابداری، شامل عدم تقارن اطلاعاتی و بازار رقابت محصول، توسعه یافته است. روش: برای دستیابی به هدف پژوهش، داده های لازم برای 184شرکت پذیرفته شده در بورس اوراق بهادار تهران، طی سال های 1386 تا 1396 جمع آوری شدند. ضرایب مدل ها، به روش شبکه عصبی آموزش یافته با الگوریتم PSO برآورد شده اند. برای فراهم آوردن قابلیت مقایسه نیز، 10 اجرا با 300 تکرار در هر اجرا انجام گرفت و پس از هم گرایی، اجراها متوقف شدند. یافته ها: توسعه مدل بنیش، خطای آموزش شبکه عصبی با الگوریتم حرکت تجمعی ذرات را از مقدار 0807/0 به 0777/0 کاهش داد. همچنین، سطح زیرمنحنی راک در مدل بنیش، به ازای بهترین نقطه برش (5021/0) و بهترین دقت (26/60درصد) 5538/0 بود و این سطح در مدل توسعه یافته بنیش به ازای بهترین نقطه برش (5304/0) و بهترین دقت (42/67درصد) به 6335 /0 افزایش یافت. نتیجه گیری: نتایج حاکی از تصادفی بودن مدل بنیش و ناتوانی در تفکیک دو گروه شرکت های دستکاری کننده سود و غیردستکاری کننده سود است. همچنین، نتایج افزایش قدرت مدل توسعه یافته بنیش در قیاس با مدل اصلی را نشان می دهد؛ اما نتیجه آزمون ضعیف است و نشان می دهد که مدل توسعه یافته بنیش نیز در تفکیک دو گروه شرکت های دستکاری کننده سود و غیردستکاری کننده سود، کمابیش یک مدل تصادفی است.
راهبری شرکتی و ارزشیابی شرکت: مدلی با استفاده از شبکه عصبی مصنوعی(مقاله علمی وزارت علوم)
منبع:
بررسی های حسابداری و حسابرسی سال ۱۸ تابستان ۱۳۹۰ شماره ۶۴
129 - 150
حوزه های تخصصی:
در این تحقیق رابطه بین سازوکارهای راهبری شرکتی، شامل اندازه هیات مدیره، عدم داشتن پست اجرایی در شرکت توسط رئیس هیات مدیره، نسبت اعضای غیر موظف هیات مدیره و درصد سرمایه گذاران نهادی، با ارزش سهام شرکت، بررسی می شود. جهت ایجاد ارتباط بین عناصر راهبری شرکتی و ارزش سهام شرکت از مدل ارزشیابی اولسون(1995) استفاده شده و سازوکارهای راهبری شرکتی جایگزین بخش "سایر اطلاعات" در این مدل می گردند. پیشینه تحقیق نشان می دهد که بین سازوکارهای راهبری شرکتی و قیمت سهام شرکت یک رابطه خطی و مشخص وجود ندارد، به همین دلیل شبکه عصبی مصنوعی نیز برای شناخت هر گونه روابط بین متغیرهای مدل بکار می رود، به عبارت دیگر فرض پویایی خطی اطلاعات، در مدل اولسون به چالش کشیده می شود. بعد از طراحی مدل شبکه عصبی مصنوعی، نتایج حاصله با روش حداقل مربعات معمولی مقایسه شده است. برای طراحی مدل شبکه عصبی و تشکیل معادله رگرسیون خطی، جمعا از اطلاعات 776 سال- شرکت و برای آزمون شبکه عصبی و رگرسیون خطی از اطلاعات 62 سال شرکت در طی سال های 1389-1380 استفاده گردیده است. شبکه عصبی مورد استفاده در این تحقیق از نوع پرسپترون چندلایه با الگوریتم یادگیری پس انتشار خطا است و در آن از دو لایه میانی جهت شبیه سازی روابط بین متغیرها استفاده شده است.
نتایج حاکی از آن است که: 1. استفاده از سازوکارهای راهبری شرکتی به عنوان بخش سایر اطلاعات در مدل اولسون باعث افزایش قدرت توضیح دهندگی مدل ارزشیابی مذکور می شود، و 2. استفاده از شبکه عصبی مصنوعی نسبت به روش حداقل مربعات معمولی، برای تحلیل روابط بین متغیرها، قدرت توضیح دهندگی و دقت مدل را بالا می برد.
پیش بینی خرابی ماشین ابزار ساختمان سازی با استفاده از تکنیکهای Data Mining ( کشف دانش در پایگاه داده ها KDD (knowledge discovery in databases)
حوزه های تخصصی:
داده کاوی در واقع یک روش است، یک روش که قرار است به واسطه آن مسئله ای حل شود. این روش بر روی حجم زیادی از داده ها کار می کند و تحلیل مورد نیاز را انجام می دهد، در نهایت یک سری الگوهای تکرارشونده استخراج می شود که می تواند برگ برنده باشد. سپس نوبت به پیدا کردن ارتباطات بین الگوهای مختلف است و در نهایت یک سری راه حل های مهم در این چالش وارد می شوند.ابزار ها ، دستگاه ها و تجهیزات گوناگون در شرکت ها، همواره به عنوان یکی از مهم ترین سرمایه های کارخانه ها به شمار می آید؛ بنابراین با توجه به اینکه هزینه های خرید، نت (نگهداری و تعمیرات) تجهیزات بسیار گران و پرهزینه است و بخش عمده ای از سرمایه ثابت و هزینه های عملیاتی شرکت ها را تشکیل می دهند؛ طبیعی است که یکی از دغدغه های اساسی برای مدیران ارشد در چگونگی به کارگیری و نگهداری بهینه این تجهیزات باشد.تحقیق حاضر (پیش بینی خرابی ماشین ابزار ساختمان سازی با استفاده از تکنیکهای داده کاوی ) به دنبال پیش بینی خرابی ماشین ابزار ساختمان سازی با استفاده از تکنیکهای داده کاوی بود. برای اینکار اطلاعات 50 ماشین ابزار به عنوان نمونه آماری در مدت زمانی مشخص جمع اوری گردید و مورد تجزیه و تحلیل قرار گرفت.در این تحقیق با استفاده از سه تکنیک شبکه عصبی مصنوعی، رگرسیون و درخت تصمیم به پیش بینی زمان خرابی تجهیزات ساختمانی پرداخته شد. متغیرهای ورودی شامل نوع خرابی، تعداد ساعات خرابی، زمان توقف، فاصله بین خرابیها،زمان تعمیر به ساعت و زمان خرابی دستگاه بود. با استفاده از تکنیک شبکه عصبی معادله رگرسیونی یافته شد که با فاصله تقریبا زیاد تغییرات در متغیر وابسته را پیش بینی می کرد. ضریب تعیین بدست آمده برای کل شبکه عصبی مقدار 18 درصد را نشان می دهد که اعتبار بالائی را نشان نمی داد. در بخش درخت تصمیم با استفاده از ند و شاخه و برگ درخت تصمیمی بدست آمد که شرایط را با توجه به مقادیر هریک از متغیرهای تصمیم نشان می داد. در بخش رگرسیون ضریب تعیین 0.98 بدست آمد که نشانگر اعتبار بالای مدل رگرسیون بود ضمن اینکه آماره F و تحلیل واریانس نشانگر معنی داری کلی مدل رگرسیون بود اما زمانی که ضرائب رگرسیون بدست می آید دو متغیر X3 و X5 به دلیل آنکه سطح معنی داری آنها بیش از 0.05 بود و این نشان می داد که آنها در سطح اطمینان 95 درصد بی معنی بودند لذا از مدل خارج شده و صرفا سه متغیر X1و X2 و X4 در معادله رگرسیون قرار داده شدند. نتیجه حاصل نشانگر فاصله بسیار کم بین مدل رگرسیون با حذف دو متغیر x3 و x5 بود و می توان گفت مدل رگرسیون در این تحقیق بهتر می تواند پیشگوی زمان خرابی تجهیزات باشد.
ارائه مدلی برای انتخاب سبد پروژه با آثار متقابل و اشتراک منابع بین پروژه ای با استفاده از شبکه های عصبی مصنوعی(مقاله علمی وزارت علوم)
منبع:
مدیریت صنعتی دوره ۷ بهار ۱۳۹۴ شماره ۱
21 - 42
حوزه های تخصصی:
انبوه پروژه های سازمانی و پیچیدگی های تصمیم گیری پیرامون آنها موجب می شود مدیریت و رهبری پروژه، چالش های ویژه خود را داشته باشد. از این رو و به منظور استفاده مطلوب از فرصت ها و دارایی های سازمان، لازم است مدیران با استقرار سیستم مدیریت جامع چندوجهی، سبد پروژه سازمان را تشکیل دهند و با لحاظ توجیه های مناسب اقتصادی، فنی و اجتماعی آن را به انجام برسانند. همچنین، کمبود منابع موجب می شود مدیران همواره به دنبال انتخاب تعدادی از پروژه های ممکن به منظور اجرا یا اولویت بندی باشند. در این تحقیق، با درنظرگرفتن آثار متقابل معیارها و اشتراک منابع پروژه های سازمان، رویکردی برای ارزیابی و انتخاب پروژه ها ارائه شد. در این مدل دومرحله ای، ابتدا با تشکیل یک الگوریتم شاخه و کران و با درنظرگرفتن اشتراک منابع پروژه ها، سبدهای بیشینه مشخص شد و سپس کارایی هرکدام از این سبدها با استفاده از مدل شبکه عصبی مصنوعی ارزیابی شد تا سبدهای پروژه بر این اساس رتبه بندی شوند. علاوه براین، بین درجه های کارایی روش مورد استفاده در این مقاله با روش های DEA و COLS همبستگی قابل قبولی وجود دارد.
پیش بینی کارایی به کمک تأثیرپذیری غیرخطی از تأخیرهای زمانی در تحلیل پوششی داده ها با شبکه های عصبی مصنوعی(مقاله علمی وزارت علوم)
منبع:
مدیریت صنعتی دوره ۱۰ بهار ۱۳۹۷ شماره ۱
17 - 34
حوزه های تخصصی:
هدف: یکی از شیوه های مرسوم ارزیابی کارایی هر سازمان یا بنگاه، مقایسه آن با سایر رقبا یا نمونه های متناظر آن است. با این حال، در برخی پژوهش ها به سنجش کارایی یک واحد در مقایسه با خود در مرور زمان پرداخته شده و روند عملکرد یک واحد نسبت به گذشته خود ارزیابی شده است. هدف پژوهش جاری، پیش بینی کارایی یک واحد با استفاده از سری های زمانی عملکرد گذشته آن است. روش: این پژوهش به کمک مدل SBM و با استفاده از روش تحلیل پوششی داده ها به مقایسه و سنجش کارایی یک واحد در گام های زمانی مختلف پرداخته و خروجی آن را به عنوان عناصر آموزش یک شبکه عصبی مصنوعی در نظر گرفته است تا کارایی گام های زمانی بعدی پیش بینی شود. یافته ها: مورد مطالعه این پژوهش، یک واحد صنعتی بزرگ در صنعت فولاد کشور است که پس از سنجش کارایی، روند نزولی عملکرد آن طی ده سال ارائه شده است. با پیاده سازی ساختارهای مختلف از شبکه های عصبی مصنوعی، در نهایت یک شبکه عصبی بازگشتی با 10 نرون در لایه پنهان با الگوریتم آموزش پس انتشار بیزی توانست بهترین عملکرد را در پیش بینی کارایی آتی این واحد صنعتی کسب کند. نتیجه گیری: مزیت اساسی این پژوهش، ارائه پیش بینی کارایی برای آینده سازمان بر اساس داده های موجود و با در نظر گرفتن تأثیر عوامل دوره های زمانی قبلی در کارایی دوره کنونی با رویکردی غیرخطی است. این موضوع موجب خواهد شد که تصویر روشن تری از عملکرد آتی سازمان فراهم آید، همان طور که در مورد مطالعه پژوهش حاضر، این موضوع رخ داده است.
مدل سازی ریسک کاهش تنوع و انقراض گونه های گیاهی در پارک ملی سرخه حصار(مقاله علمی وزارت علوم)
منبع:
تحلیل فضایی مخاطرات محیطی سال هشتم پاییز ۱۴۰۰ شماره ۳
157-170
حوزه های تخصصی:
شناسایی کامل مخاطرات و اولویت بندی آن ها در جهت عدم آسیب به طبیعت از اولین گام های مدیریت منابع طبیعی می باشد. لذا معرفی یک سیستم جامع قابل ارزیابی، درک و ارزشیابی، درجهت کنترل مخاطرات ضروری می باشد این پژوهش با هدف مدلسازی و پیش بینی میزان مخاطرات محیطی به دنبال افزایش تخریب در محیط های طبیعی به کمک شبکه عصبی مصنوعی (ANN) انجام گرفت. به این ترتیب تعداد 600 نمونه خاک و پوشش گیاهی در واحدهای همگن اکولوژیک برداشت شد. نمونه های خاک با روش ترانسکت نواری به توجه به عمق خاک و در چهار پروفیل (cm5،10،15،20) تهیه شد. نمونه های گیاهی نیز با روش سطح حداقل و با استفاده از پلات های مربع 2 2 با توجه به نوع، تراکم و پراکنش پوشش گیاهی برداشت شد. نمونه برداری در دو زون امن و سایر استفاده ها مدل سازی با کمک ANN در محیط متلب انجام شد. مدل بهینه پرسپترون چندلایه با دو لایه پنهان، تابع تانژانت سیگموئید و 19 نورون در هر لایه و ضریب تبیین 90/0 انتخاب شد. نتایج آنالیز حساسیت نشان داد، رطوبت وزنی خاک در شدت کاهش تنوع زیستی و ریسک سیل و همچنین افزایش ریسک انقراض گونه های اندمیک منطقه اثرگذار خواهد بود، و پس از آن وزن مخصوص ظاهری و حقیقی و تخلخل خاک و فاصله از جاده نقش کلیدی در تخریب پوشش گیاهی، افزایش سیل و افزایش ریسک انقراض پوشش گیاهی را دارند. لذا پیشنهاد می شود اقدامات مرتبط با احیای خاک و پوشش گیاهی در این پارک به منظور کاهش تخریب های آتی هرچه سریعتر انجام شود.
تخمین و پیش بینی تابع تعدیل شده تقاضای پول ایران با وجود تحریم های اقتصادی(مقاله علمی وزارت علوم)
منبع:
راهبرد اقتصادی سال دهم پاییز ۱۴۰۰ شماره ۳۸
463 - 498
حوزه های تخصصی:
تقاضای پول از متغیرهای کلیدی در اقتصاد است که در تعیین سیاست های پولی، مورد توجه سیاست گذاران قرار می گیرد؛ زیرا اثر اجرای سیاست های پولی، از کانال تقاضای پول، توسط بخش خصوصی به بخش واقعی اقتصاد انتقال می یابد؛ بنابراین تخمین و پیش بینی هر چه دقیق تر این متغیر با لحاظ عوامل محیطی، می تواند برای سیاست گذاران پولی راهگشا باشد. در این پژوهش، تابع تعدیل شده ی تقاضای پول حقیقی با لحاظ متغیرهای تحریم های اقتصادی، نااطمینانی های اقتصادی و اقتصاد زیرزمینی با استفاده از روش مارکوف سوییچینگ برای بازه زمانی (1397:4-1358:1) با دو رژیم تقاضای پول بالا (رژیم دارای عرض از مبدأ بیشتر) و تقاضای پول پایین (رژیم دارای عرض از مبدأ کمتر) تخمین زده شد. برای پیش بینی تابع تقاضای پول از روش شبکه عصبی مصنوعی استفاده شد و سپس برای اطمینان از قدرت بالای پیش بینی روش شبکه عصبی مصنوعی، پیش بینی با روش مارکوف سوییچینگ نیز انجام گرفت. نتایج پژوهش نشان می دهد که درآمد ملی اثر مثبت، بازدهی مسکن (پراکسی برای نرخ بهره) اثر منفی، نرخ ارز در هر دو رژیم اثر منفی، حجم اقتصاد زیرزمینی در هر دو رژیم اثر مثبت، نااطمینانی های اقتصادی در هر دو رژیم اثر منفی و تحریم های اقتصادی در هر دو رژیم اثر منفی بر تقاضای پول حقیقی دارند. همچنین نتایج پیش بینی نشان می دهد که روش شبکه عصبی مصنوعی از قدرت پیش بینی بالاتری نسبت به روش مارکوف سوییچینگ برخوردار است.
تغییرپذیری نقش عوامل مکانی مؤثر بر بارش در ارتباط با تحولات دهه ای بارش سالانه ایران زمین(مقاله علمی وزارت علوم)
حوزه های تخصصی:
تنوع عوامل مکانی (نظیر موقعیت جغرافیایی و ویژگی های توپوگرافیک) موجبات تنوع مکانی عناصر اقلیمی ازجمله بارش را فراهم کرده است. همراه با تغییرات زمانی بارش، عوامل مکانی نقش های مختلفی ایفا می کنند؛ از این رو برخلاف ثبات نسبی عوامل مکانی، می توان استنباط کرد که این عوامل در بستر تغییرات بارش نقش های مختلف ایفا می کنند. به منظور ردیابی نقش عوامل مکانی نظیر موقعیت (مختصات جغرافیایی) و عوامل توپوگرافیک (ارتفاع، شیب و جهت شیب) در بارش، از مدل شبکه عصبی مصنوعی استفاده شد. یافته های پژوهش حاضر نشان داد از دهه اول (1355- 1364) به سمت دهه چهارم (1385- 1394) میانگین بارش کشور کاهش زیادی داشته است. در این میان دهه دوم (1365- 1374) افزایش نسبتاً زیادی را تجربه و روند عمومی کاهشی را مختل کرده است. میزان بارش حاصل از مدل های برازش یافته در هریک از دهه ها، الگوی تغییرات زمانی مکانی بارش واقعی را به خوبی بازتاب می دهد و توجیه می کند. براساس یافته های الگوی برازش یافته مشخص شد نقش بعضی از متغیرهای موقعیت جغرافیایی و عوامل توپوگرافیک از دهه ای به دهه دیگر بسیار تغییرپذیر بوده است و بعضی از متغیرها نقش های نسبتاً ثابتی داشته اند. این امر گواهی بر این واقعیت است که تغییر کاهنده اثر یک متغیر با تغییر فزاینده اثر متغیرهای دیگر جبران می شود و نیز متناسب با تغییرات دهه ای بارش شکل می گیرد. در این میان نقش عرض جغرافیایی تغییرات زیادی داشته است. بیشترین و کمترین نقش این متغیر به ترتیب در دهه اول و دوم بوده است. در دو دهه انتهایی، تغییر همزمان نقش عرض جغرافیایی با تغییر میزان میانگین دهه ای بارش بسیار چشمگیرتر از دو دهه دیگر است. این واقعیت را می توان به تغییراتی نسبت داد که در مسیر چرخندها رخ داده است. این تغییر مسیر چرخندها در مطالعات پیشین بررسی و تأیید شده است؛ علاوه بر این افزایش بارندگی در دهه دوم با ضریب های متفاوت از دهه های دیگر، نقش منحصربه فرد عوامل مکانی- توپوگرافیک را در دوره های پربارش و کم بارش نشان می دهد.
بررسی امکان پیش بینی شاخص قیمت سهام در بازار سرمایه ایران و مقایسه توان پیش بینی مدل های خطی و غیر خطی
منبع:
اقتصاد مالی سال ۳ تابستان ۱۳۸۸ شماره ۷
56-83
حوزه های تخصصی:
سری های زمانی بسیار پیچیده مانند قیمتهای بازار سهام،معمولا تصادفی بوده ،در نتیجه تغییرات آنها غیر قابل پیش بینی فرض می شود.در بیشتر موارد در بررسی مشاهدات اماری مربوط به متغیرهای اقتصادی از جمله قیمت بازار سهام از آزمونهایی استفاده شده که در مواجهه با داده های آشوبی به اشتباه افتاده و انها را در داده های تصادفی تشخیص داده اند.در حالی که این داده ها در واقع،از مقام های معینی به و جود می ایند که با اختلالاتی جزیی همراه می باشد.به همین دلیل آزمونهای پیش بینی پذیری و غیر خطی برای بررسی و جود روند آشوبی معین و فرایندهای غیر خطی در سری زمانی شاخص روزانه سهام بازار اوراق بهادار تهران در بازه زمانی 1379/8/1 تا 1386/7/2 مورد استفاده قرار داده ایم که از جمله می توان به آزمونهای BDS,HURST، تسلسل و بعد همبستگی اشاره نمود که نتایج به دست آمده نشان دهنده پیش بینی پذیری و وجود روند غیر خطی در داده های مورد بررسی بوده است.پس از حصول اطمینان از پیش بینی پذیری و وجود روند غیر خطی در داده های شاخص روزانه سهام،جهت ارائه مدل مناسب برای پیش بینی شاخص قیمت سهام،مدل های سری زمانی خطی (AR) و غیر خطی(GARCH)و شبکه عصبی مصنوعی(ANN) برآورد کرده،سپس،نتایج به دست امده از پیش بینی توسط این مدلها را با استفاده از معیارهای CDC,RMSE,MAE,MAPEو آماره U-THEILمورد مقایسه قرار داده ایم.نتایج به دست امده از مقایسه توان پیش بینی این مدلها بیانگر توان بالای پیش بینی در مدلهای شبکه عصبی مصنوعی نسبت به مدلهای دیگر است.
بررسی اثر روابط اعطای تسهیلات بر هزینه مبادله تسهیلات بانکی: مطالعه موردی بانک کشاورزی(مقاله علمی وزارت علوم)
منبع:
اقتصاد مالی سال ۱۱ بهار ۱۳۹۶ شماره ۳۸
21 - 46
حوزه های تخصصی:
هدف از انجام این مطالعه، اندازه گیری اثر متغیر روابط اعطای تسهیلات بر هزینه مبادله (هماهنگی) اعطای تسهیلات بانکی در بانک کشاورزی و بررسی توالی اهمیت متغیرهای تاثیر گذار بر هزینه مبادله می باشد. هزینه های مبادله در کشورهای در حال توسعه به ویژه در بخش اعتباری بالا است و بالا بودن این هزینه باعث کاهش کارایی نظام بانکی و عملکرد آن می شود. داده های مورد استفاده در این مطالعه از طریق پرسشنامه که حاصل داده های ذهنی و تجربی افراد تکمیل کننده پرسشنامه ها می باشد به دست آمده است. در این مطالعه به منظور بررسی فرضیه های مطرح شده و مشخص کردن اهمیت متغیرهای تاثیر گذار بر هزینه مبادله، از روش شبکه عصبی مصنوعی استفاده شده است. یافته های مطالعه نشان می دهد که روابط اعطای تسهیلات، از طریق اثر گذاری بر سایر متغیر های موثر، منجر به کاهش هزینه مبادله در جهت اعطای تسهیلات شده و در نتیجه، بانک کشاورزی با تاکید بر این رویکرد می تواند کارایی اش را از طریق کاهش هزینه مبادله افزایش داده و از منابع مالی خود به صورت بهینه استفاده کند.
The aim of this study is measuring the effect of lending relationship on transaction costs (coordination costs) in bank lending for agricultural bank and sequence analysis of factors which affects on transaction costs. Transaction costs in developing countries, especially in credit sectors are high and that high cost factor, leads to reduced the performance of the economy. The data used in this study were obtained through questionnaires and they were completed by people who has experienced about this issue. In this study, Artificial neural network method is used for raising hypothesis and identifying the variables affecting on transaction costs. This study suggest that the relationship lending, through the influence of other variables, leading to lower transaction costs for lending and, consequently, the Agricultural Bank can reduce its effectiveness through transaction costs and increase their financial resources optimally by emphasizing on this approach.
Keywords: Lending Relationships, Transaction Cost, Coordination Cost, Artificial Neural Network
Classification JEL : C13، C52, B41
پیش بینی شاخص سهام با استفاده از ترکیب شبکه عصبی مصنوعی و مدل های فرا ابتکاری جستجوی هارمونی و الگوریتم ژنتیک(مقاله علمی وزارت علوم)
منبع:
اقتصاد مالی سال ۱۱ پاییز ۱۳۹۶ شماره ۴۰
1 - 24
حوزه های تخصصی:
هدف پژوهش حاضر پیش بینی شاخص قیمت بورس اوراق بهادار تهران با استفاده از مدل شبکه عصبی هیبریدی مبتنی بر الگوریتم ژنتیک و جستجوی هارمونی است. مربوط ترین نماگرهای تکنیکی به عنوان متغیرهای ورودی و تعداد بهینه نرون در لایه پنهان شبکه عصبی مصنوعی با استفاده از الگوریتم های فراابتکاری ژنتیک و جستجوی هارمونی حاصل می گردد. مقادیر روزانه شاخص قیمت بورس اوراق بهادار تهران از تاریخ 1/10/91 الی 30/9/94 جهت پیش بینی شاخص قیمت و آزمون آن استفاده می شود. دقت پیش بینی سه مدل شبکه عصبی عادی، شبکه عصبی هیبریدی مبتنی بر الگوریتم ژنتیک و شبکه عصبی هیبریدی مبتنی بر جستجوی هارمونی بر اساس میزان خطای پیش بینی ارزیابی می گردد. نتایج حاصله نشان می دهد دقت پیش بینی مدل های فراابتکاری ژنتیک و جستجوی هارمونی در دوره آزمون بالاتر از شبکه عصبی عادی است. همچنین پیش بینی مدل شبکه عصبی هیبریدی مبتنی بر جستجوی هارمونی در دوره آزمون نسبت به مدل شبکه عصبی مصنوعی هیبریدی مبتنی بر الگوریتم ژنتیک از دقت بالاتری برخوردار است.
This study is aimed to predict the price index of Tehran Stock Exchange using hybrid Artificial Neural Network (ANN) models based on Genetic Algorithms (GA) and Harmony Search (HS). The most relevant technical indicators as inputs and the optimal number of neurons in hidden layer of Artificial Neural Network are achieved by metaheuristics including Genetic Algorithms and Harmony Search. Daily price index of Tehran Stock Exchange from 21 December 2012 to 21 December 2015 applied to predict and test stock index. The accuracy of forecasting of three models including Regular Artificial Neural Network model, hybrid neural networks based on GA and hybrid neural networks based on HS is evaluated by the prediction error. The results show that the accuracy of prediction in Metaheuristics models such as Genetic Algorithms and Harmony Search in test period is higher than normal Artificial Neural Network. Also prediction by hybrid neural network model based on harmony Search during the test period compared to hybrid Artificial Neural Network model based on Genetic Algorithm is more accurate.
پیش بینی تقاضا در سیستم های رزرواسیون دانشگاهی با هدف کاهش ضایعات مواد غذایی به کمک شبکه های عصبی با تابع خطای موزون(مقاله علمی وزارت علوم)
منبع:
مدیریت صنعتی دوره ۱۳ تابستان ۱۴۰۰ شماره ۲
193 - 170
حوزه های تخصصی:
هدف: یکی از دغدغه های مهم در رزرواسیون غذای دانشگاهی، مراجعه نکردن بسیاری از دانشجویان است که با توجه به دریافت یارانه دولتی و قیمت ارزان غذا، انبوهی از مواد غذایی هدر رفته و به ضایعات تبدیل می شود. هدف اصلی این پژوهش، جلوگیری از تولید ضایعات مواد غذایی در دانشگاه ها، به کمک پیش بینی تقاضای واقعی است. روش: برای مدل سازی و حل مسئله، از شبکه عصبی مصنوعی با تابع خطای موزونی که به کمک جست وجوی الگوی تعمیم یافته جهت دهی می شود، استفاده شد. شاخص های مجموع رزرو، روز هفته، سطح قیمت وعده، مجموع تعداد رزرو، تعداد رزرو به تفکیک مقطع تحصیلی، تعداد رزرو به تفکیک وضعیت اسکان و غذای مجاور به عنوان متغیرهای ورودی و تعداد تقاضای واقعی غذا نیز شاخص خروجی در نظر گرفته شد. یافته ها: داده های هفت سال اخیر سامانه رزرواسیون سلف مرکزی یکی از دانشگاه های بزرگ کشور که سالانه به طور متوسط پتانسیل تولید ۵۶ هزار پرس غذای مازاد (بیش از ۲۳ هزار تن مواد غذایی) را دارد، بررسی شد. با آموزش یک شبکه عصبی مصنوعی توأم با بهینه سازی GPS، الگوریتم ترکیبی با تابع خطای موزون متناسبی به دست آمد که قادر است تولید روزانه غذای مازاد را بیش از ۸۰درصد کاهش دهد. نتیجه گیری: با استفاده از مدل ارائه شده، می توان تقاضای واقعی را به طور دقیق تر تخمین زد. مدل پیشنهادی، ضمن معرفی شاخص های مؤثر بر تخمین تقاضا، قادر است که در سطوح ریسک مختلف مورد انتظار دانشگاه، تقاضاهای واقعی را برآورد کند. این رویکرد پیشگیرانه، وعده های غذایی کنترل شده را فقط به اندازه احتیاج تولید و توزیع خواهد کرد تا از ضایعات مواد غذایی یا اتلاف بودجه عمومی کشور جلوگیری شود.
طراحی الگوی ارزیابی عوامل تأثیرگذار بر پذیرش مسئولیت اجتماعی در سازمان های ورزشی با رویکرد شبکه عصبی مصنوعی(مقاله علمی وزارت علوم)
حوزه های تخصصی:
تحقیق حاضر با هدف طراحی الگویی برای اولویت بندی عوامل تأثیر گذار بر پذیرش مسئولیت اجتماعی با استفاده از روش شبکه های عصبی مصنوعی انجام پذیرفت. روش این پژوهش از نوع توصیفی–پیمایشی است. جامعه آماری پژوهش کلیه کارکنان اداره کل ورزش و جوانان استان کردستان است که در زمان انجام پژوهش 240 نفر بود. جامعه آماری هدف، در مرحله نخست، خبرگان در حوزه دانشگاهی هستند. در مرحله اول، با مطالعه ادبیات منابع معتبر (مطالعات کتابخانه ای) 4 بعد اصلی مسئولیت پذیری اجتماعی جمع آوری شد(جدول1). این عوامل در اختیار پنل خبرگان که شامل 11 نفر از اساتید دانشگاه بودند، قرار گرفت. این خبرگان روایی صوری و روایی محتوای عوامل را بر اساس شاخص والتز با میانگین بالای 79/0تأیید نمودند. جامعه آماری در بخش دوم، کارکنان و مدیران اداره کل ورزش و جوانان استان کردستان تعریف شدند، که براساس شاخص کلاین، 100 نفر بعنوان نمونه تعیین گردید؛ پس از حصول اطمینان از روایی اولیه، مؤلفه ها در قالب پرسشنامه ای مبتنی بر طیف لیکرت به منظور سنجش روایی سازه (تحلیل عاملی تاییدی) و پایایی (آلفای کرونباخ) مورد بررسی قرار گرفت، که نهایتا، روایی(79/0) و پایایی سازه(821/)0 تأیید گردید. سپس، با استفاده از روش شبکه عصبی مصنوعی، میزان تأثیر گذاری عوامل بر پذیرش مسئولیت اجتماعی در میان کارکنان مورد مطالعه، برآورد و اندازه گیری شد. نتایج تحقیق نشان دادند که، در روند پذیرش مسئولیت اجتماعی در میان کارکنان، مؤلفه رعایت اخلاق کسب و کار در اولویت اول و مؤلفه نیازهای اقتصادی در اولویت آخر جای گرفتند.