مطالب مرتبط با کلیدواژه
۱.
۲.
۳.
۴.
۵.
۶.
۷.
شبکههای عصبی مصنوعی
حوزه های تخصصی:
این مطالعه به بررسی پیشبینیپذیری رفتاربازده سهام شرکتهای یذیرفته شده در بورس اوراق بهادار تهران وهمچنین انجام عمل پیشبینی بازده با استفاده از شبکههای عصبی مصنوعی میپردازد. به منظور انجام عمل پیشبینی بازده، در مرحله اول روند گذشته سری زمانی مربوط به شرکتها و همچنین سه متغیر از متغیرهای تحلیل تکنیکی (شاخص سهام، حجم سهام مبادله شده و آخرین نرخ سهام در روز) برای مدت 5 سال(تیرماه 1377 لغایت 1382) مورد استفاده قرارگرفت وبا تغییر پارامترهای شبکه عصبی مصنوعی مدل بهینه جهت پیشبینی بازده روزانه سهام هر شرکت طراحی گردید. در مرحله دوم، پیشبینی بازده روزانه طی همان 5 سال صرفاً براساس اطلاعات گذشته یا روند گذشته سری زمانی انجام شد. در این پژوهش از شبکه عصبی مصنوعی با ساختار پرسپترون چند لایه (MLP) با توابع یادگیری متفاوت استفاده گردید. نتایج حاصل نشاندهنده آن است که: - رفتار سری زمانی بازده روزانه سهام شرکتها یک فرآیند تصادفی نیست و دارای حافظه میباشد. - شبکههای عصبی مصنوعی توانایی پیشبینی بازده روزانه را با میزان خطای نسبتاً مناسبی دارند.
ارائه یک الگوریتم ترکیبی شبکههای عصبی- تکامل توام ژنتیک، جهت مساله طراحی مقاوم چند متغیره در مهندسی کیفیت(مقاله علمی وزارت علوم)
حوزه های تخصصی:
در این مقاله یک الگوریتم ترکیبی برای حل مساله طراحی مقاوم با چندین متغیر پاسخ ارائه شده است. الگوریتم ارائه شده، ترکیبی از شبکههای عصبی و تکامل توام ژنتیکی است که در آن شبکههای عصبی به عنوان تقریب زننده تابع، نگاشت بین متغیرهای فرایند را تقریب زده و الگوریتم تکامل توام مدل ساخته با هدف مقاوم ساختن متغیرهای پاسخ فرایند، را حل مینماید و نتایج این الگوریتم با الگوریتم ژنتیک مقایسه میشود. روش پیشنهادی در یک مطالعه موردی فرایند ریسندگی اپن اند مورد آزمایش قرار گرفته است.
الگوی انتخاب و به کارگماری نیروی انسانی در سازمانها با استفاده از شبکههای عصبی مصنوعی(مقاله علمی وزارت علوم)
حوزه های تخصصی:
"انتخاب و به کارگماری شایستهترین افراد در هر شغل، یکی از مهمترین مسائل و تصمیمات مدیریتی محسوب میشود. اینگونه تصمیمات در سازمانها به طور مرسوم از طریق انطباق ساده شاغل و شغل» انجام میپذیرد. از کاستیهای این روش، انطباق شاغل با شغل در «سطح فردی» است در حالی که با توجه به اهمیت فراینده «کار گروهی» در سازمانها، انجام انطباقهای دیگر ضروری به نظر میآید. در این مقاله «انطباق افراد شاغل با یکدیگر» علاوه بر انطباق دادن شاغل و شغل در نظر گرفته شده و بر این اساس الگوی نوینی برای انتخاب و به کارگماری نیروی انسانی نیز پیشنهاد و توسعه داده شده است.
به منظور مقایسه الگوی پیشنهادی (مبتنی بر سطح تحلیل گروهی) با الگوی مرسوم (مبتنی بر سطح تحلیل فردی)، مدل ریاضی آن در قالب یک مدل غیر خطی (درجه دوم) فرموله شده؛ سپس به وسیله «شبکه عصبی بازپختی» با استفاده از نرمافزار Matlab حل شد. نتایج تحلیل آمـاری نشـان میدهد که بین میانگین جوابهای به دست آمده از الگوی پیشنهادی و میانگین جوابهای بـه دست آمده از الگوی مرسوم، با توجه به معیار هزینه، اختلاف بسیار معناداری وجود ( و ). در نتیجـه استفـاده از الگـوی پیشنهـادی بـرای انتخاب و به کارگماری نیروی انسانی در مشاغل و پستهای سازمانی به جای الگوی مرسوم توصیه میشود."
تقسیم بازار با استفاده از شبکههای عصبی مصنوعی مطالعه موردی: فرآوردههای گوشتی (سوسیس)(مقاله علمی وزارت علوم)
حوزه های تخصصی:
"تقسیم بازار با شبکههای عصبی مصنوعی، سابقه طولانی در دنیا ندارد. به طور عمده، این روش در دنیا، از چندین سال پیش در مدیریت گردشگری به صورت گسترده آغاز گردید و پس از آن به سایر حوزههای بازاریابی نیز سرایت کرد. امروزه این روش در کنار روشهای آماری از شایعترین شیوههای تقسیمبندی مشتریان بوده و روزبهروز در حال گسترش است.
در این تحقیق به دلیل ضرورت شناخت مشتریان هدف برای یک شرکت تولیدکننده فرآوردههای گوشتی، نیاز به استفاده از روشی مؤثر برای بخشبندی مشتریان احساس گردید و در نهایت روش تحلیل خوشهای با شبکههای عصبی خودسازماندهنده ، که به خوشهبندی مشتریان اختصاص داشته و نمونههای زیادی از کاربرد آن در دنیا تجربه گردیدهاست، انتخاب و مورد استفاده قرار گرفت.
برای انجام تحقیق، در ابتدا معیارهای مفید در بخشبندی مشتریان مشخص شده و بر اساس آن پرسشنامهای طراحی گردیدهاست. پس از جمعآوری پرسشنامهها و اخذ اطلاعات، با استفاده از شبکههای عصبی مصنوعی، مشتریان خوشهبندی گردیدند و در نهایت نتایج به دستآمده مورد تبیین و تحلیل قرار گرفتهاست.
همچنین مقایسه روششبکههای عصبی برای خوشهبندی با روشهای کلاسیک خوشهبندی مشتریان با استفاده از روش آماری K-means انجام شده است."
مدل طراحی بهینه معماری برای شبکههای عصبی مصنوعی و بهکارگیری آن در پیشبینی مصرف ماهانه نفتگاز کل کشور(مقاله علمی وزارت علوم)
حوزه های تخصصی:
"یکی از گامهای مهم در توسعه شبکههای عصبی مصنوعی طراحی معماری شبکه است که تأثیر زیادی بر عملکرد شبکه دارد. در طراحی معماری شبکههای عصبی مصنوعی، عواملی از قبیل تعداد لایههای پنهان، تعداد نرونها در هر لایه، توابع تبدیل و الگوریتم آموزش باید تعیین شوند. محققان در طراحی معماری شبکه بهطور عمده از طریق سعی و خطا عمل میکنند و یا اینکه اثر متقابل بین عوامل مختلف در طراحی معماری شبکه را در نظر نمیگیرند. در این تحقیق، یک مدل مبتنی بر تکنیک طراحی آزمایشها برای طراحی بهینه معماری شبکه عصبی با یادگیری تحت نظارت، با توجه به اثر متقابل بین عوامل ذکرشده، ارائه میشود.
در این تحقیق، از مدل پیشنهادی برای طراحی معماری شبکه عصبی به منظور پیشبینی مصرف نفتگاز کل کشور استفاده شده است. بهمنظور مقایسه عملکرد مدل پیشنهادی با استفاده از روش سعی و خطا بهعنوان یکی از روشهای مرسوم در طراحی معماری، یک مدل شبکه عصبی برای پیشبینی مصرف نفتگاز توسعه داده شده و طی آن برتری مدل پیشنهادی نشان داده شده است. همچنین برای مقایسه عملکرد شبکه عصبی با روشهای آماری، دو مدل با استفاده از رگرسیون و ARIMA طراحی شدهاند. نتایج به دست آمده در پیشبینی مصرف نفتگاز در این بخش نیز نشان میدهد که پیشبینی با شبکهعصبی طراحی شده جوابهای بهتری دارد."
طراحی و تبیین مدل ریسک اعتباری در نظام بانکی کشور(مقاله علمی وزارت علوم)
حوزه های تخصصی:
"طراحی و استقرار مدل اندازهگیری ریسک اعتباری در نظام بانکی نقش کارآمدی در راستای بالا بردن بهرهوری بانکهای کشور در تخصیص بهینه منابع خواهد داشت.در این مقاله تلاش شد تا کارآیی مدلهای احتمالی، خطی، لجستیک و شبکههای عصبی مصنوعی برای پیشبینی ریسک اعتباری مشتریان نظام بانکی کشور، مورد بررسی قرار گیرد.متغیرهای پیشبینیکننده در این مدلها، نسبتهای مالی وامگیرندگان بوده که معنیداری ارتباط آنها با ریسک اعتباری از آزمونهای آماری مناسب تأیید شد.با استفاده از دادههای مالی و اعتباری 316 نفر از مشتریان حقوقی بانکهای کشور مدلهای یاد شده طراحی و مورد آزمون کارآیی قرار گرفت.نتیجههای به دست آمده بیانگر این است که ارتباط بین متغیرها در مدل پیشبینی ریسک اعتباری به صورت خطی نبوده و تابعهای نمایی و سیگموئید مناسبترین مدلهای پیشبینی ریسک اعتباری محسوب میشوند.بیشترین کارآیی برای پیشبینی ریسک اعتباری به ترتیب مربوط به شبکههای عصبی مصنوعی و مدل لجستیک میباشد.
"
یافتن مناسب ترین ساختار شبکه عصبی مصنوعی با استفاده از روش طراحی آزمایشات تاگوچی(مقاله علمی وزارت علوم)
حوزه های تخصصی:
تأخیر در تأمین نفت گاز، پیامدهای سیاسی، اجتماعی و اقتصادی وسیعی را به دنبال دارد؛ بنابراین پیش بینی دقیق تقاضای نفت گاز بسیار مهم است. استفاده از شبکه های عصبی مصنوعی در پیش بینی کاربرد زیادی دارد. طراحی مناسب پارامترهای (ساختار) شبکه موجب می شود دقت و عملکرد شبکه های عصبی مصنوعی افزایش یابد. در بیشتر مطالعات از روش سعی و خطا برای تنظیم پارامترهای شبکه های عصبی مصنوعی استفاده می شود که برای رسیدن به مناسب ترین ساختار شبکه های عصبی مصنوعی راه حل مطمئنی نیست. در مطالعه حاضر، با استفاده از روش طراحی آزمایشات تاگوچی، مناسب ترین ساختار شبکه های عصبی مصنوعی به منظور پیش بینی تقاضای نفت گاز در استان هرمزگان مشخص می شود. تجزیه و تحلیل واریانس پارامترهای شبکه های عصبی مصنوعی نشان می دهد که سهم مشارکت تعداد نرون در لایه پنهان اول در تغییر میانگین مربع خطای شبکه حدود 41% و سهم مشارکت الگوریتم یادگیری نیز حدود 27% است. همچنین نتایج نشان می دهد که شبکه های عصبی مصنوعی که با استفاده از روش طراحی آزمایشات تاگوچی طراحی شده اند، نسبت به سایر شبکه ها عملکرد بهتری دارند. Asbstract The delay in the supply of gasoil has wide Consequences of political, social and economic. Therefore, the gasoil demand forecasting is very important. The use of artificial neural networks in forecasting has many applications. Appropriate design of ANN parameters enhances performance and accuracy of the neural network model. Trial and error method is used to setting the ANN parameters in the most of studies. Trial and error method is not a reliable solution to achieve the best ANN structure. In the present study, the optimum structure of ANN to forecasting the demand of gasoil in the province of Hormozgan determined by Taguchi experimental design method. Analysis of variance (ANOVA) of the ANN parameters indicates that contribution of the number of neurons in first hidden layer to the changes in the network mean square error (MSE) is about 41% and contribution of the learning algorithm is about 27%. Also, the results of this study show that artificial neural networks are designed using Taguchi experimental design method have better performance than other Networks. Keywords: Forecasting; Gasoil; Artificial Neural Networks; Taguchi Experimental Design Method