مطالب مرتبط با کلیدواژه

شبکه عصبی مصنوعی


۱۴۱.

تحلیل رابطه تراز آب دریاچه ارومیه با سیگنال های اقلیمی(مقاله پژوهشی دانشگاه آزاد)

کلیدواژه‌ها: شبکه عصبی مصنوعی سیگنال های اقلیمیNAO - Nino1+2 Nino3 Nino4 Nino3+4 NOI -NP - PDO - SOI

حوزه های تخصصی:
تعداد بازدید : ۲۷۸ تعداد دانلود : ۹۹
از جمله مشخصه های مهم هر دریاچه، تراز سطح آب آن است. آگاهی از نحوه نوسانات تراز آب امری موثر در تغییر و بررسی مسایل مرتبط از جمله تغییرات ذخیره آب دریاچه – ساخت و ساز های ساحلی و مباحث زیست محیطی است. در این تحقیق به بررسی تاثیر سیگنال های هواشناسی بر نوسان آب دریاچه ارومیه و دبی حوضه آبریز دریاچه ارومیه پرداخته شده است. داده های مورد استفاده در این تحقیق به علت حجم زیاد در فواصل زمانی سال های 1951 الی 1986 تا سال های 2008 الی 2011 در ایستگاه های مختلف متفاوت است. در بررسی حاضر از داده های ماهانه سیگنال های  -2NAO+NIN01-SOI-PDO-NP  4NOI+NIN03-Nino4-Nino3- استفاده شده است. تمامیداده های فوق از مرکزNCEPتهیه گردیده. پس از تبیین ارتباط و نوع آن ، مدل پیش بینی با استفاده از شبکه عصبی مصنوعی برای بازه های زمانه همزمان ، سه ماهه و شش ماهه محاسبه شد. نتایج حاصل از این مدل مورد ارزیابی و تجزیه و تحلیل قرار گرفت. بررسی مدل های خروجی از نرم افزار شبکه عصبیمصنوعیNeurosolutions6 نشان می دهد که در تمامی ایستگاه ها در حالت های زمانی مختلف اعمدبی حوضه آبریز دریاچه ارومیه به ترتیب 1-NINO 3+4-1 NINO3 NINO1+2-3  NINO4-4می باشد و کمترین تاثیر به ترتیب مربوط به 1-NOI -2 NAO  SOI -4 PDO -3 5-NPمی باشد.
۱۴۲.

کاربرد سیگنال های اقلیمی در پیش بینی تبخیر در غرب ایران(مقاله پژوهشی دانشگاه آزاد)

کلیدواژه‌ها: مدیریت آب شبکه عصبی مصنوعی شبیه سازی ماتریس همبستگی متغیرهای اقلیمی

حوزه های تخصصی:
تعداد بازدید : ۲۲۰ تعداد دانلود : ۱۱۵
تبخیر یکی از متغیرهای اقلیمی است که پیش بینی آن نقش مهمی در برنامه ریزیهای مربوط به آب دارد. با توجه به بالا بودن نسبی میزان بارندگی در مناطق غرب ایران، آگاهی از میزان تبخیر برای مدیریت درست آب در این مناطق ضروری میباشد. از عوامل اثرگذار بر میزان تبخیر، سیگنال های اقلیمی میباشند که توجه به نقش آنها پیش بینی تبخیر را ممکن می کند. با استفاده از مدل شبکه عصبی مصنوعی به پیش بینی تبخیر بر اساس این سیگنال ها اقدام شده که آمار مربوط به تبخیر از تشت در 3 ایستگاه سینوپتیک با حداقل 20 سال آمار ماهانه و نیز مهمترین سیگنال های اقلیمی با نرم افزار نروسلوشن (Neurosolution) تجزیه و تحلیل شده است. نتایج پژوهش نشان دهنده آن است که مهمترین سیگنال های مرتبط با تبخیر در منطقه شامل Nina3:، Nina1، SW Monsoon، Mei و Nina4 میباشد. مقایسه داده های مشاهده ای تبخیر و خروجی شبکه عصبی، همبستگی بالا بین این داده را نشان می دهد. به گونه ای که میزان این همبستگی در ایستگاه کرمانشاه 71 درصد، همدان 82 درصد و سنندج 80 درصد است. با درنظر گرفتن خروجی شبکه عصبی مصنوعی و داده های مربوط به سیگنال های اقلیمی، میتوان با دقت بالای 97 درصد به پیش بینی تبخیر درمنطقه مورد پژوهش اقدام نمود.                                                                             
۱۴۳.

بررسی و تحلیل مدل های AHP و شبکه عصبی مصنوعی در پهنه بندی خطر زمین لغزش دامنه های جنوبی البرز (منطقه تجریش تهران)(مقاله پژوهشی دانشگاه آزاد)

کلیدواژه‌ها: پهنه بندی زمین لغزش تحلیل سلسله مراتبی شبکه عصبی مصنوعی

حوزه های تخصصی:
تعداد بازدید : ۱۷۴ تعداد دانلود : ۸۸
در این تحقیق پس از بررسی های میدانی و مرور مطالعات در مناطق مشابه، 9 فاکتور به عنوان عوامل مؤثر بر خطر وقوع زمین لغزش منطقه شناسایی و به منظور تحلیل خطر در محیط نرم افزار ArcGIS مورد استفاده قرار گرفتند. نقشه زمین لغزش های موجود نیز از طریق عملیات میدانی و با استفاده از دستگاه GPS تهیه گردید. 9 لایه اطلاعاتی آماده شده در ArcGIS با لایه اطلاعاتی پراکنش زمین لغزش ها تطابق داده شد و اطلاعات میزان زمین لغزش ها در هر یک از کلاسه ها و مساحت آنها به دست آمد. پس از تعیین نرخ هر یک از عوامل، پهنه بندی با استفاده از شبکه عصبی و تحلیل سلسله مراتبی اجرا گردید. کارآیی هر یک از این مدل ها براساس نتایج خروجی مدل ها و با استفاده از دو شاخص دانسیته نسبی (Qs) و جمع مطلوبیت (Dr) مورد ارزیابی قرار گرفت. نتایج حاصل از شاخص Dr نشان داد که نقشه تهیه شده با استفاده از شبکه عصبی نسبت به نقشه تهیه شده با استفاده از تحلیل سلسله مراتبی دقت بالاتری برای منطقه مورد مطالعه دارد.
۱۴۴.

کاربرد شبکه های عصبی مصنوعی در تخمین مصرف انرژی فضاهای آموزشی(مقاله علمی وزارت علوم)

نویسنده:

کلیدواژه‌ها: پنجره کلاس درس مصرف انرژی DOE-2 هوش مصنوعی شبکه عصبی مصنوعی

حوزه های تخصصی:
تعداد بازدید : ۹۹ تعداد دانلود : ۸۵
تاکنون توصی ههای دقیقی برای مهندسان معمار جهت تعیین ابعاد مناسب پنجره با رویکرد کاهش مصرف انرژی برای فضاهای آموزشی ارائه نشده است. برای آنکه طراحان فضاهای آموزشی ب هدوراز محاسبات هزین هبر و وق تگیرِ شبیه سازی انرژی قادر به تعیین سطح مناسب پنجره و یا حداقل اولویت بندی گزین ههای ممکن نورگیری باشند، در تحقیق حاضر بر پایه هوش مصنوعی ساختاری جدید ارائه شده است که م یتواند هزینه انرژی را در مدت بهر هبرداری از یک کلاس درس استاندارد، به عنوان مه مترین بخش فضای آموزشی، پی شبینی نماید. بدین منظور، 288 سناریوی نورگیری شبیه سازی شده و نتایج حاصله برای آموزش شبک ه عصبی مصنوعی استفاد هشد ه است. آزمو نهای شبکه آموزش نشان م یدهد که ساختار پیشنهادی ب هخوبی م یتواند جایگزین مدل شبیه ساز مصرف انرژی گردد و طراح تنها با مشخص نمودن جهت نورگیری و نسبت سطح پنجره به سطح دیوار کلاس م یتواند هزینه مصرف گاز و الکتریسیته را در مدت بهر هبرداری با دقت بسیار خوبی پیش بینی نماید.
۱۴۵.

کاربرد مدل های شبکه عصبی مصنوعی و مدل M5 در شبیه سازی جریان ماهانه(مطالعه موردی: رودخانه استور)(مقاله علمی وزارت علوم)

کلیدواژه‌ها: شبکه عصبی مصنوعی مدل M5 جریان ماهانه استور

حوزه های تخصصی:
تعداد بازدید : ۳۲۱ تعداد دانلود : ۱۳۶
    مدیریت موثر منابع آبی در یک رودخانه نیازمند شناخت صحیح و کامل از فرآیندهایی است که در آن رخ می دهد. روش های هوش مصنوعی می توانند کارایی بالایی جهت شبیه سازی جریان رودخانه در مقیاس های مختلف زمانی و مکانی داشته باشند. در این مطالعه از روش شبکه عصبی مصنوعی و مدل نمودار درختی M5 جهت شبیه سازی ماهانه جریان رودخانه در ایستگاه استور استفاده گردید. جهت شبیه سازی داده های دبی جریان ماهانه در این ایستگاه, از داده های دبی ثبت شده در چهار ایستگاه هیدرومتری بالادست و یک ایستگاه اقلیمی استفاده گردید. جهت مقایسه نتایج دو روش شبکه عصبی مصنوعی و مدل M5، از دو معیار مجذور میانگین مربعات خطا و ضریب تبیین استفاده گردید. نتایج نشان داد شبکه عصبی مصنوعی با ساختار یک لایه مخفی با چهار نرون کارایی بیشتری نسبت به مدل M5 دارد. خطای مدل شبکه عصبی مصنوعی 40/25 با ضریب همبستگی 93/0 و خطای مدل M5 18/28 با ضریب همبستگی 92/0 به دست آمد. با افزایش نرون های محاسباتی در لایه مخفی کارایی شبکه عصبی مصنوعی کاهش یافت. 
۱۴۶.

بررسی امکان برآورد تبخیر با استفاده از داده های النینو ایستگاه خرم آباد(مقاله علمی وزارت علوم)

کلیدواژه‌ها: تبخیر النینو دمای تراز دریا شبکه عصبی مصنوعی

حوزه های تخصصی:
تعداد بازدید : ۲۳۹ تعداد دانلود : ۲۰۲
النینو از پدیده های مهم اقلیمی است که تأثیر زیادی بر متغیرهای اقلیمی نقاط مختلف کره زمین دارد. با توجه به نقش تبخیر در مطالعات منابع آب، بررسی تأثیر پدیده النینو بر این متغیر اقلیمی، از اهمیت شایانی برخوردار است. هدف از این پژوهش بررسی امکان برآورد تبخیر در ایستگاه همدید خرم آباد با استفاده از داده های النینو و با کمک مدل شبکه عصبی مصنوعی است. بدین منظور، داده های تبخیر ماهانه ایستگاه به مدت 29 سال از 1992 تا 2011 از پایگاه داده سازمان هواشناسی کشور و داده های النینو از سایت نوآ استخراج گردید. سپس با استفاده از مدل شبکه عصبی مصنوعی به تجزیه و تحلیل داده ها پرداخته شد. نتایج نشان داد که از میان موقعیت های النینو تنها در Nina1 و Nina3 با تبخیر در ایستگاه مورد مطالعه ارتباط وجود دارد. با مقایسه داده های مشاهده ای تبخیر و خروجی شبکه عصبی، میزان همبستگی این داده ها 78 درصد می باشد. بین داده های النینو و خروجی شبکه عصبی همبستگی برقرار شد که میزان آن ۹۹/۰ است. بنابراین با توجه به بالا بودن همبستگی بین داده های النینو و خروجی شبکه عصبی و با استفاده از معادله رگرسیون خطی می توان برای ماه های بدون داده، با دقت 99 درصد، نسبت به برآورد تبخیر در ایستگاه خرم آباد، اقدام نمود.
۱۴۷.

بررسی تأثیر عناصراقلیمی برآلودگی هوای شهر مشهد با استفاده ازمدل شبکه عصبی(مقاله علمی وزارت علوم)

کلیدواژه‌ها: عناصراقلیمی آلودگی هوا شهرمشهد شبکه عصبی مصنوعی

حوزه های تخصصی:
تعداد بازدید : ۲۷۴ تعداد دانلود : ۱۴۶
شهر مشهدازجمله شهرهای آلوده ایران می باشدکه عوامل متعددی درآلودگی آن نقش دارندازجمله عناصراقلیمی که دراین مقاله موردبررسی قرارگرفته است. به این منظور دادههای مربوط به آلودگی هوا (منوکسید کربن، دی اکسید نیتروژن، دی اکسید گوگرد، ازن و ذرات معلق (PM10) به صورت روزانه وازسال 1384 تاسال 1390 ازاداره کل محیط زیست خراسان رضوی تهیه گردیدو برای بررسی تاثیرعناصراقلیمی برآلودگی ازداده های هواشناسی شامل حداقل وحداکثردما، حداقل وحداکثررطوبت، جهت وسرعت بادازایستگاه سینوپتیک مشهداستفاده گردید. دراین پژوهش از شبکه های عصبی با ساختارهای مختلف همانند پرسپترون استفاده شد وسعی گردید تا بهترین و کاراترین شبکه با تعیین مقدار خطای آن انتخاب و مورد استفاده قرارگیرد. در نهایت جهت انتخاب مدل مناسب و بهینه از شاخص های R2 و RMSE استفاده گردید. نتایج برآوردها نشان داد روش رگرسیون هیچ برآورد درستی از روزهای آلوده ندارد اما روش شبکه عصبی در 25 درصد موارد برآورد درست تری از روزهای آلوده دارد.
۱۴۸.

واکاوی ارتباط دما و الگوهای پیوند از دور در حوضه آبی ایرانی دریای مازندران با استفاده از شبکه عصبی(مقاله علمی وزارت علوم)

کلیدواژه‌ها: پیوند از دور حوضه آبی دریای مازندران دما شبکه عصبی مصنوعی مدل پرسپترون چندلایه (MLP)

حوزه های تخصصی:
تعداد بازدید : ۱۳۰ تعداد دانلود : ۱۳۵
دما یکی از پارامترهای بسیارمهم آب و هوایی است که در تعیین نقش و پراکندگی دیگر عناصر اقلیمی مؤثر می باشد. هدف از پژوهش حاضر بررسی ارتباط بین دمای ماهانه و سالانه حوضه آبی دریای مازندران و الگوهای پیوند از دور می باشد. در این راستا از داده های میانگین دمای ماهانه و سالانه 97 ایستگاه همدیدی و آب و هواشناسی درون حوضه و بیرون حوضه و همچنین 33 الگوی پیوند از دور طی دوره آماری (1970-2014) استفاده شد. بدین منظور مدل پرسپترون چندلایه مورد استفاده قرار گرفت. ابتدا داده ها در نرم افزار مت لب نرمال و در نرم افزار spss استاندارد شدند. سپس شبکه براساس الگوریتم گرادیان نزولی (SCG)، تابع متحرک هیپربولیک برای لایه های پنهان و تابع متحرک همانی برای داده های خروجی طراحی شد. در تمام ساختار شبکه 1 تا 2 لایه پنهان در نظر گرفته شد و بیش از 600 شبکه ایجاد شد. طی این فرایند 70 درصد از داده ها برای آموزش و 30 درصد برای آزمون در نظر گرفته شد. سپس به ارزیابی عملکرد مدل، از طریق معیارهای آماری از جمله مجموع مربع خطاها و خطای نسبی پرداخته شد. نتایج نشان داد در رابطه با داده های ماهانه، دمای یک ماه پیش و الگوهای  ONI و NINO3 دارای اهمیت بیشتر می باشد و ارتباط بیشتری را با دمای ماهانه حوضه مورد مطالعه نشان می دهد. در داده های سالانه نیز الگوهای های AMO، NCP، AO، NAO و دمای یک سال قبل اهمیت بالای 60 درصد نشان دادند. لذا می توان بیان نمود که رابطه الگوهای نامبرده با دمای سالانه بیش از سایر الگوها بوده است.
۱۴۹.

بررسی تطبیقی برآورد ارزش روز منطقه ای و معاملاتی املاک مسکونی با استفاده از شبکه عصبی مصنوعی. مورد مطالعه: منطقه دو شهرداری تبریز(مقاله علمی وزارت علوم)

کلیدواژه‌ها: ارزش روز منطقه ای ارزش معاملاتی شبکه عصبی مصنوعی منطقه دو تبریز

حوزه های تخصصی:
تعداد بازدید : ۱۳۵ تعداد دانلود : ۱۴۴
شهرداری ها در ایران که به عنوان متولی محلی در زمینه اداره شهر عمل می نمایند؛ جهت تأمین هزینه های خود باید از منابع مالی محلی خود به صورت بهینه استفاده نمایند. یکی از این منابع مالی محلی، عوارض پروانه ساختمانی است. ازآنجایی که مبنای محاسبه عوارض پروانه ساختمانی، ارزش معاملاتی املاک می باشد؛ لزوم دقت در برآورد قریب به صحت آن از اهمیت زیادی برخوردار است. براین اساس، هدف این پژوهش استفاده از مدل شبکه عصبی مصنوعی برای برآورد قیمت املاک مسکونی در منطقه دو تبریز است تا از این طریق ارزش روز منطقه ای که مبنای محاسبه ارزش معاملاتی است؛ به دست آید. این پژوهش از گونه پژوهش کاربردی است. جامعه آماری، کلیه قطعات مسکونی منطقه دو شهر تبریز به تعداد 24638 واحد می باشد. با استفاده از فرمول کوکران 378 واحد نمونه با سطح اطمینان 95 درصد و ضریب خطای 5 درصد برآورد و جهت برآورد مطلوب شبکه عصبی تعداد 400 نمونه استفاده گردیده است. به منظور حذف اثر زمان، تنها از داده های مقطعی مربوط به خرداد لغایت مردادماه سال 1397 استفاده شده است. نتایج، از دقت بالای شبکه عصبی مصنوعی در برآورد قیمت املاک حاکی است. همچنین، مقدار ارزش معاملاتی مصوب در تمام بلوک های منطقه دو تبریز نسبت به مقدار ارزش معاملاتی برآورده شده توسط شبکه عصبی مصنوعی کمتر می باشد. به طوری که، بیشترین اختلاف در برآورد در بلوک های شماره 13، 7 و 24 (به ترتیب 3.050.380-، 2.752.550- و 2.430.850- ریال) و کمترین میزان اختلاف نیز در بلوک شماره 9 (399.580- ریال) می باشد؛ همچنین، ارزش معاملاتی مصوب مجموعاً 11.056.920 ریال کمتر از مقدار برآورد شده می باشد.
۱۵۰.

تعدیل مدل پیش بینی دستکاری سود با تأکید بر متغیر های محیطی و روش ترکیبی شبکه عصبی مصنوعی و الگوریتم های فرا ابتکاری(مقاله علمی وزارت علوم)

کلیدواژه‌ها: الگوریتم رقابت استعماری رقابت در بازار محصول شبکه عصبی مصنوعی مدل بنیش محیط اطلاعاتی شرکت

حوزه های تخصصی:
تعداد بازدید : ۳۰۰ تعداد دانلود : ۱۴۵
سود یکی از عوامل مهم در رشد و توسعه اقتصادی بوده و دستکاری سود هم یکی از چالش های اساسی کارایی بازار است که محققین اغلب برای پیش بینی دستکاری سود از داده های حسابداری استفاده می کنند؛ درحالی که داده های غیر حسابداری هم نقش بسزایی در پیش بینی دستکاری سود دارند. این پژوهش به توسعه مدل بنیش با متغیرهای غیر حسابداری شامل عدم تقارن اطلاعاتی و رقابت در بازار محصول پرداخته است. داده های 184شرکت پذیرفته شده در بورس تهران طی سال های 1386-1396 جمع آوری و دقت پیش بینی مدل های پژوهش در کشف و شناسایی شرکت های دستکاری کننده سود با دو الگوریتم بهینه سازی حرکت تجمعی ذرات و رقابت استعماری در ترکیب شبکه عصبی مورد مقایسه قرار گرفت. یافته های پژوهش نشان می دهد دقت پیش بینی مدل پیشنهادی با الگوریتم رقابت استعماری و حرکت تجمعی ذرات به ترتیب از 55/57 به 86/63 درصد و از 71/55 به 84/59 درصد افزایش یافته است. با توسعه مدل سطح زیرمنحنی راک افزایش یافته و کاهش خطای پیش بینی در الگوریتم رقابت استعماری 31/6 درصد و در الگوریتم حرکت تجمعی ذرات 13/4 درصد است ولی همچنان نتیجه آزمون ضعیف می باشد. درواقع میزان دقت پیش بینی مدل با الگوریتم رقابت استعماری در مقایسه با الگوریتم حرکت تجمعی ذرات بهبود یافته است. 
۱۵۱.

تهیه نقشه «گنبد نمکی جهانی» و مناطق متأثر از گنبد نمکی با استفاده از مدل شبکه عصبی مصنوعی و داده های ماهواره لندست 8(مقاله علمی وزارت علوم)

کلیدواژه‌ها: سنجش از دور لندست8 گنبدنمکی طبقه بندی شبکه عصبی مصنوعی

حوزه های تخصصی:
تعداد بازدید : ۳۲۱ تعداد دانلود : ۱۴۲
 از پدیده های مهم و قابل توجه در امر زمین شناسی میتوان به تشکیلات تبخیری از جمله گنبدهای نمکی اشاره کرد. تشکیلات تبخیری از جمله سازندهای زمین شناسی هستند که از نظر جغرافیایی دارای گسترش چشمگیری میباشند. گنبدهای نمکی و رسوبات مجاور آن نمونه ای از یک محیط زمین شناسی پیچیده است. مطالعه آنها به خاطر ویژگیهای منحصر به فرد نمک از لحاظ تکتونیکی و سنگ شناسی، برهم کنش های قوی میان جریان های حرکتی و حرارتی، وجود منابع مهم از لحاظ جنبه اقتصادی و تأثیرگذاری این حوزه های تبخیری در کیفیت منابع مناطق پیرامون گنبد های نمکی از اهمیت شایانی در زمین شناسی، مدیریت و برنامه ریزی منابع انسانی برخوردار است. فناوری سنجش از دور در سالهای اخیر نقش پررنگی در کسب اطلاعات از این پدیده های منحصر به فرد بر عهده دارد. هدف از پژوهش استفاده از روش شبکه عصبی مصنوعی و تحلیل مؤلفه های اصلی(PCA) برای طبقه بندی و تهیه نقشه گنبد نمکی جهانی و مناطق متأثر از گنبد نمکی با استفاده از تصاویر سنجنده های OLI ماهواره لندست8، جهت تحلیل و بررسی از لحاظ پوشش و نوع کانی های تشکیل دهنده آن می باشد. نتایج در هشت کلاس مجزا طبقه بندی شده نشان داده شد که کلاس ماسه-نمک با 100 درصد صحت، رس، 05/96 درصد، گچ- نمک 03/99 درصد، سنگ آهک 100 درصد، گیاهان 73/96 درصد، ماسه سنگ 67/94 درصد، صخره های نمکی 09/96 درصد، خاک های گچی 58/93 درصد، شیل 73/86 طبقه بندی شدند. در این پژوهش روش شبکه عصبی به ترتیب با صحت کل 3501/95 درصد و ضریب کاپا 37/94 درصد عملکرد مناسبی در طبقه بندی، تهیه نقشه محدوده مورد مطالعه داشته است.
۱۵۲.

کاربست شبکه عصبی در پیش بینی رضایت شغلی کارکنان براساس ابعاد سه گانه دین داری از دیدگاه نهج البلاغه (مورد مطالعه: کارکنان دانشگاه شهید صدوقی یزد)(مقاله ترویجی حوزه)

کلیدواژه‌ها: دین داری رضایت شغلی شبکه عصبی مصنوعی

حوزه های تخصصی:
تعداد بازدید : ۲۹۱ تعداد دانلود : ۱۲۴
هدف تحقیق حاضر، ارائه مدل پیش بینی سطح رضایت شغلی کارکنان بر مبنای شاخص های دین داری با رویکرد شبکه عصبی مصنوعی و بررسی میزان تأثیر هریک از عوامل مختلف بر رضایت شغلی کارکنان اداری دانشگاه شهید صدوقی یزد است. به منظور رسیدن به اهداف یادشده، 8 عامل مؤثر بر رضایت شغلی شامل اطلاعات جمعیت شناختی افراد و ابعاد دین داری اسلامی (اعتقادات، احکام و اخلاق) از دیدگاه نهج البلاغه به عنوان ورودی تبیین، سپس با استفاده از مدل پرسپترون چندلایه با الگوریتم یادگیری پس از انتشار خطا و یک لایه پنهان، میزان رضایت شغلی کارکنان پیش بینی شده است. در ادامه با استفاده از فن تحلیل حساسیت، تأثیر هرکدام از متغیرهای ورودی بر خروجی این مدل مورد ارزیابی قرار گرفته است. نتایج نهایی، نشانگر آن است که ضمن نقش و تأثیر توضیح دهندگی همه عوامل هشت گانه در میزان خروجی مدل، ابعاد اعتقادات و اخلاق اسلامی و جنسیت افراد، بیشترین تأثیر را در پیش بینی رضایت شغلی کارکنان دارند.
۱۵۳.

کاربرد هوش مصنوعی در شبیه سازی توزیع مکانی چگالی برف در مناطق نیمه خشک (مطالعه موردی: سرشاخه های دشت یزد - اردکان)

کلیدواژه‌ها: چگالی برف نقشه برداری رقومی میان یابی شبکه عصبی مصنوعی مناطق نیمه خشک

حوزه های تخصصی:
تعداد بازدید : ۳۱۱ تعداد دانلود : ۱۰۶
مناطق خشک و نیمه خشک همواره با بحران آب مواجه بوده اند، به همین دلیل ذخایر هرچند اندک برفی در سرشاخه های کوهستانی این مناطق، نقش شایان توجهی در تغذیه و تعادل هیدرولوژیکی مناطق مذکور ایفا می کنند. چگالی برف از جمله پارامتر هایی است که به عنوان پارامتر مبدل عمق برف به آب معادل برف، اهمیت فراوانی دارد. در این مقاله، کارآیی یکی از روش های هوش مصنوعی در شبیه سازی پراکنش مکانی چگالی برف در یکی از سرشاخه های دشت یزد – اردکان ارزیابی شده است. به همین منظور، ابتدا داده های چگالی برف با استفاده از نمونه بردار مدل مونت رز در 216 نقطه از منطقه سخوید یزد برداشت گردید. سپس با استفاده از مدل رقومی ارتفاع و در محیط جغرافیایی ساگا 32 پارامتر ژئومرفومتری، به عنوان داده های ورودی استخراج شد. الگوریتم مورد استفاده در هوش مصنوعی، شبکه عصبی مصنوعی بوده که جهت دستیابی بهینه به آن، مدل ها و توابع متفاوت با آرایش نورون های مختلفی بررسی گردیدند. بهترین شبکه به صورت 1-9-32 و حاوی مدل پرسپترون چند لایه و با الگوریتم پس انتشار خطاو تابع فعالیّت سیگموئید و خروجی خطی بود. نتایج پژوهش نشان داد که میزان ضریب همبستگی داده های مشاهداتی و برآورد شده 86 درصد و مجذور میانگین مربع خطا برابر 1/5 است. بدین ترتیب استفاده از ابزارهای هوش مصنوعی به خوبی توانسته است توزیع مکانی چگالی برف را برآورد نماید.
۱۵۴.

ارزیابی کاربرد مدل های شبکه عصبی مصنوعی و SDSM به منظورشبیه سازی دمای کمینه و بیشینه ایستگاه اصفهان(مقاله علمی وزارت علوم)

کلیدواژه‌ها: مدلسازی SDSM شبکه عصبی مصنوعی دما اصفهان

حوزه های تخصصی:
تعداد بازدید : ۹۱ تعداد دانلود : ۸۸
با توجه به تغییرات اقلیمی و گرمایش جهانی، پیش بینی دمای بیشینه و کمینه که از مهم ترین پارمترهای اقلیمی است، فرصت مناسبی را برای برنامه ریزی و ارائه تمهیدات لازم در اختیار برنامه ریزان قرار می دهد. در این پژوهش با استفاده از مدل ریزگردانی آماری دینامیک (SDSM) و مدل ریزگردانی براساس شبکه عصبی مصنوعی (ANN) بیشینه و کمینه دمای ایستگاه اصفهان شبیه سازی شد. در این راستا از داده های مرکز ملی پیش بینی محیطی (NCEP) به عنوان متغیرهای پیش بین جهت واسنجی و ارزیابی مدل استفاده شد و از داده های HadCM3 تحت دو سناریوی A2 و B2 جهت شبیه سازی دمای کمینه و بیشینه ایستگاه اصفهان طی سه دوره زمانی 2016-2040، 2041-2070 و 2071-2099 استفاده شد. نتایج نشان داد که دمای بیشینه و کمینه طی دوره های یاد شده افزایش چشم گیری خواهند داشت. به گونه ای که بر اساس سناریوی B2 و در هر دو مدل شبکه عصبی و SDSM تا سال 2099 نسبت به دوره پایه، میانگین سالانه دمای کمینه 38/2 و 22/3 درجه و دمای بیشینه 43/3 و 22/4 درجه سلسیوس افزایش خواهد یافت. بر اساس این پژوهش، مدل شبکه عصبی مصنوعی نتایج قابل قبول تری را نشان داد.
۱۵۵.

تخصیص بهینه دارایی ها با فرض نااطمینانی های اقتصاد کلان و تحریم های بین المللی علیه ایران(مقاله علمی وزارت علوم)

کلیدواژه‌ها: پرتفوی بهینه پویا تحلیل مارکویتز ریسک و نااطمینانی اقتصاد کلان شبکه عصبی مصنوعی مسکن

حوزه های تخصصی:
تعداد بازدید : ۲۳۵ تعداد دانلود : ۱۲۳
ریسک و نااطمینانی از شاخص های اصلی تصمیم گیری در سرمایه گذاری است. در دنیای واقعی، اقتصاد پُر از نااطمینانی عوامل اقتصادی است که به بروز ریسک و مخاطره در فضای تصمیم گیری منجر می شود و رفتار سرمایه گذاران را تحت تأثیر قرار می دهد. در مطالعه حاضر، با استفاده از ترکیب مدل های شبکه عصبی مصنوعی و مدل مارکویتز، به برآورد پرتفوی بهینه سرمایه گذار در شرایط نااطمینانی پرداخته شد. بدین منظور، از دارایی های قیمت سهام، قیمت مسکن، قیمت سکه و اوراق مشارکت طی دوره زمانی 1378 1392 با داده های ماهانه استفاده شد. برای بررسی تأثیر شوک های اقتصاد کلان بر تصمیمات سرمایه گذار در انتخاب پرتفوی بهینه، از چهار متغیر نااطمینانی تورمی، نااطمینانی قیمت نفت، نااطمینانی نرخ دلار بازار آزاد و شاخص تحریم های بین المللی علیه ایران به عنوان متغیرهای وضعیت استفاده شد. برای محاسبه متغیرهای وضعیت از مدل ناهمسانی واریانس شرطی (GARCH) بهره گرفته شد. پس از محاسبه متغیرهای وضعیت، بازدهی و ریسک دارایی ها با کمک دو روش شبکه های عصبی پرسپترون چندلایه (MLP) و شعاعی پایه (RBF) اندازه گیری شد. از نتایج مدل شبکه عصبی به عنوان متغیرهای ورودی در برآورد پرتفوی بهینه مارکویتز استفاده شد. نتایج تحلیل میانگین واریانس نشان می دهد که در دوره رونق بخش املاک، مسکن داراییِ مسلط در بین دارایی هایِ ریسکی بوده و بیشترین سهم دارایی را به خود اختصاص داده است. در طی دوره های اخیر، که دوره رکود بخش مسکن تلقی می شود، مسکن از سبد بهینه سرمایه گذاری خارج شده و به جای آن سهام و سکه داراییِ مسلطی در سبد سرمایه گذار است. به طور کلی، اوراق مشارکت، به منزله دارایی بدون ریسک در همه دوره ها، یکی از دارایی های قابل اعتماد در سبد بهینه سرمایه گذار به شمار می رود.
۱۵۶.

مدل سازی نقش عوامل سازمانی در پرسه زنی اینترنتی کارکنان دانشگاهی با شبکه عصبی مصنوعی(مقاله علمی وزارت علوم)

کلیدواژه‌ها: پرسه زنی اینترنتی تعارض شغلی رهبری زهرآگین شبکه عصبی مصنوعی کارکنان دانشگاهی

حوزه های تخصصی:
تعداد بازدید : ۳۸۲ تعداد دانلود : ۱۷۰
پژوهش پیش رو با هدف مدل سازی نقش عوامل سازمانی تعارض شغلی و رهبری زهرآگین در پرسه زنی اینترنتی صورت گرفت. این پژوهش، از نظر راهبرد اصلی، کمّی و، از نظر تکنیک تحلیلی، توصیفی همبستگی بود. جامعه آماری این مطالعه شامل کارکنان ستادی دانشگاه های جامع وابسته به وزارت علوم، تحقیقات و فنّاوری در چهار سطح تراز عملکرد بین المللی، ملی، منطقه ای و محلی در سراسر کشور بود. روش نمونه گیری از نوع خوشه ای چندمرحله ای بود. حجم نمونه، با توجه به مدل کرجسی مورگان و با در نظر گرفتن خطای 05/0 =α، 430 نفر در نظر گرفته شد. برای جمع آوری داده ها از پرسش نامه پرسه زنی اینترنتی بلا و همکاران (2006)، پرسش نامه تعارض شغلی دوبرین (2008) و پرسش نامه رهبری زهرآگین اسمیت و هانگس (2008) استفاده شد. روایی محتوایی ابزارها با نظر استادان علوم تربیتی و روان شناسی تأیید شد. داده ها با رویکرد شبکه عصبی مصنوعی با روش پرسپترون چندلایه (MPL) تحلیل شد. نتایج نشان داد ارتباط یابی عوامل سازمانی مؤثر بر پرسه زنی اینترنتی دارای یک لایه ورودی با هفت گره و یک لایه پنهان با سه گره است. شبکه عصبی مصنوعی نشان داد پرش ها و روند پرسه زنی اینترنتی کارکنان را می توان از روی عوامل سازمانی تعارض شغلی و رهبری زهرآگین پیش بینی کرد. با توجه به اثر معنی دار عوامل تعارض شغلی و رهبری زهرآگین در پرسه زنی اینترنتی کارکنان، ضروری است در هدایت رفتار منابع انسانی، جهت جلوگیری از بروز رفتار انحرافی پرسه زنی اینترنتی، به این مؤلفه ها و اثرهایشان در سازمان توجه شود.
۱۵۷.

ارائه مدل جامع جهت اندازه گیری ریسک نقدینگی بانک های پذیرفته شده در بورس اوراق بهادار تهران(مطالعه موردی: بانک ملت)(مقاله علمی وزارت علوم)

کلیدواژه‌ها: ریسک نقدینگی صنعت بانکداری یادگیری ماشین شبکه عصبی مصنوعی شبکه بیزی

حوزه های تخصصی:
تعداد بازدید : ۲۰۹ تعداد دانلود : ۱۹۴
عدم مدیریت نقدینگی بانک ها یکی از مهم ترین ریسک های هر بانک می باشد و کم توجهی به ریسک نقدینگی منجر به عواقب جبران ناپذیر می شود. جلوگیری از وقوع ریسک نقدینگی نیازمند یک روش اندازه گیری جامع می باشد؛ اما ریسک نقدینگی موضوعی پیچیده است و این پیچیدگی ارائه یک تعریف مناسب را دشوار می سازد. علاوه بر این، تعریف فاکتورهای تعیین کننده ریسک نقدینگی و فرمول بندی تابع هدف مرتبط برای تقریب و پیش بینی مقدار آن پیچیده است. در این تحقیق برای مقابله با این مشکلات و ارزیابی ریسک نقدینگی و فاکتورهای کلیدی آن، مدلی را پیشنهاد می کنیم که از شبکه های عصبی مصنوعی و بیزی استفاده می کند. طراحی و اجرای این مدل شامل چندین الگوریتم و آزمایش جهت اعتبارسنجی است. در این مقاله از الگوریتم های بهینه سازی لونبرگ-مارکوارت و ژنتیک جهت آموزش شبکه عصبی مصنوعی استفاده کرده ایم. همچنین یک مطالعه موردی در بانک ملت برای نشان دادن قابلیت اجرا، کارایی، دقت و انعطاف پذیری مدل اندازه گیری ریسک نقدینگی تحقیق، پیاده سازی کرده ایم.
۱۵۸.

شبیه سازی تبخیر تعرق روزانه گیاه مرجع با استفاده از روش هوش مصنوعی و مقایسه آن با روش های تجربی (مطالعه موردی: آذربایجان شرقی)(مقاله علمی وزارت علوم)

کلیدواژه‌ها: آذربایجان شرقی بلانی کریدل پنمن مانتیث فائو تبخیر - تعرق شبکه عصبی مصنوعی

حوزه های تخصصی:
تعداد بازدید : ۳۱۵ تعداد دانلود : ۹۸
کشور ایران از جمله مناطق خشک و نیمه خشک جهان است و با محدودیت شدید منابع آب مواجه است. تعیین تبخیر و تعرق که یکی از اجزای اصلی چرخه هیدرولوژی می باشد، در بسیاری از مطالعات از جمله توازن هیدرولوژیک آب، طراحی و مدیریت سیستم های آبیاری، شبیه سازی میزان محصول و مدیریت منابع آب از اهمیت بالایی برخوردار است. در پژوهش حاضر از روش شبکه عصبی مصنوعیANN و سه روش تجربی پنمن مانتیث فائو (PMF56) و بلانی کریدل(BC) کمبرلی پنمنK-P)) برای مدلسازی سیستم غیرخطی تبخیر و تعرق گیاه مرجع (ET0) که داده های ورودی- خروجی آن به صورت روزانه بودند، استفاده شد. سپس نتایج بدست آمده از روش های مذکور با داده های تبخیر اندازه گیری شده در منطقه آذربایجان شرقی(ایستگاه مراغه، میانه، اهر و جلفا) تحت واسنجی قرار گرفتند. نتایج نشان داد که روش شبکه عصبی مصنوعی دارای دقت و سرعت بهتر در مدلسازی ET0 در مقایسه با روش های کلاسیک می باشد. از دیگر نتایج مطالعه می توان به مناسب تر بودن روش دمایی BC نسبت به دیگر مدل های تجربی اشاره کرد. همچنین این پژوهش نشان داد مدل ANN با قانون یادگیری لونبرگ مارکوارت نتایج ET0 بهتری را در شرایط اقلیمی مورد مطالعه ارائه می دهد.
۱۵۹.

تعیین مقدار کربن آلی کل با استفاده از تصویر ماهواره ای و مدل شبکه عصبی مصنوعی (منطقه مورد مطالعه: کوه میش شهرستان گچساران)(مقاله پژوهشی دانشگاه آزاد)

نویسنده:

کلیدواژه‌ها: تصاویر ماهواره ای سنجش از دور سنگ منشاء شبکه عصبی مصنوعی کربن آلی کل

حوزه های تخصصی:
تعداد بازدید : ۱۱۷ تعداد دانلود : ۸۴
مقدار کربن آلی کل موجود در سنگ منشاء منابع هیدروکربن یکی از پارامتر های حائز اهمیت در ارزیابی آن است. بنابراین لازم است تا با روشی خصوصیات سنگ منشاء برآورد گردد. برای برآورد خصوصیات سنگ منشاء روش های مختلفی وجود دارد. یکی از ابتدایی ترین روش ها استفاده از روش سنتی است که بسیار هزینه بر و زمان بر می باشد، لذا محققان به دنبال روش های کاراتر می باشند. با توجه به پتانسیل بالای سنجش از دور و محدوده های طیفی VIR,VNIR این امکان فراهم تا خصوصیات سنگ منشاء را در سطح وسیع تری و با هزینه کمتر برآورد نمود. روش های کمی و کیفی مختلفی جهت ایجاد ارتباط بین مقدار غلظت عناصر سنگ منشاء و طیف حاصل از داده های سنجش از دور موجود می باشد. که در این تحقیق سعی در برآورد مقدار غلظت کربن آلی کل سنگ منشاء با استفاده از تصویرسنجنده OLI لندست 8 و با بهره گیری از مدل شبکه عصبی مصنوعیMLP شده است.بدین منظور باند 5 محدوده طیفی(885/0-845/0) با ضریب همبستگی پیرسون 62/0 بهترین ورودی برای شبکه عصبی انتخاب شده است. شبکه عصبی مصنوعی با تعداد 5 نورون در لایه مخفی با 79/0R2= و0081/0 RMSE= برای تهیه نقشه کربن آلی کل انتخاب گردید.
۱۶۰.

کاربرد روش شبکه عصبی مصنوعی در پیش بینی روابط خانواده معاصر ایران(مقاله علمی وزارت علوم)

تعداد بازدید : ۲۵۸ تعداد دانلود : ۱۵۸
شبکه های اجتماعی مجازی نقش بسیار مهمی در تغییرات اجتماعی به خصوص تغییرات روابط ساختاری و عاطفی خانواده بازی می کنند. اما پیش بینی این تغییرات امروزه خود از اهمیت بالایی برخوردار است. اما از چه روشی می توان برای پیش بینی تغییرات ساختاری خانواده استفاده کرد. این تحقیق درصدد است یکی از این روش ها را که از زیرمجموعه هوش مصنوعی است، به نام شبکه عصبی مصنوعی معرفی کند و به عنوان نمونه کارآمدی آن را در پیش بینی روابط خانواده هایی که تحت تأثیر شبکه های اجتماعی مجازی قرار دارند، نشان دهد. از این رو پرسش تحقیق این گونه صورت بندی می شود که با چه روش یا روش هایی می توان پیامدهای تأثیر شبکه های اجتماعی مجازی بر روابط خانواده را پیش ّبینی کرد؟ از آنجا که این پژوهش یک پژوهش کمی است، جمع آوری داده به وسیله پرسشنامه انجام و مدل تحقیق عملیاتی شد. مدل تحقیق، یک مدل فازی آماری میدانی است. نتیجه تحقیق پیش بینی چهار نوع خانواده متعهد، ناکامیاب، ناسازگار و گسیخته است که بر روی طیف فازی به صورت زیر نشان داده شد: خانواده متعهد: 75 تا 100 درصد؛ خانواده ناکامیاب: 50 تا 75 درصد؛ خانواده ناسازگار 25 تا 50 درصد و خانواده گسیخته 0 تا 25 درصد.