ماشین بردار پشتیبان

استفاده از نسبت های مالی برای پیش بینی درماندگی مالی یا ورشکستگی شرکت ها، همیشه مورد توجه دانشگاهیان و بنگاه های اقتصادی، بویژه بانک ها و سایر نهادهای مالی بوده است. پیش بینی به موقع می تواند تصمیم گیران را در یافتن راه حل و پیشگیری از درماندگی مالی، یاری نماید. همچنین، این مدل ها کاربرد بسیار زیادی در رتبه بندی اعتباری و نحوه توزیع تسهیلات بانکی دارد. همواره سعی شده است تا دقت پیش بینی این مدل ها با استفاده از روش های پیشرفته تر بهبود یابد. در این پژوهش که هدف اصلی آن بررسی کارایی استفاده از ماشین بردار پشتیبان (SVM) در پیش بینی درماندگی مالی شرکت ها بوده است، نتایج مدل SVM در مقایسه با مدل آماری رگرسیون لجستیک (LR) بررسی شده است. یافته های تحقیق حاکی از آن است که در پیش بینی درماندگی مالی شرکت ها، مدل SVM نسبت به مدل LR بطور معناداری، از دقت کلی بیشتری برخوردار است. بررسی های انجام شده نشان می دهد که مدل SVM نسبت به مدل LR، نه تنها از دقت کلی بهتری برخوردار است، بلکه توانایی بالاتری نیز در تعمیم پذیری دارد.

امروزه لیزر اسکنر هوایی (لیدار) نقش مهمی در برداشت اطلاعات سه بعدی عوارض سطح زمین ایفا می کند. استخراج عوارض از داده های لیدار، به صورت دستی زمان بر و پرهزینه است. راه ها مهمترین گروه عوارض خطی هستند و استخراج اطلاعات مربوط به آنها اهمیت ویژه ای برای سازمان ها و نهادهای مرتبط در هر کشوری دارد. هدف پژوهش حاضر، ارائه الگوریتمی برای آشکارسازی راه هاست که در آن منحصراً از داده های لیدار، استفاده شود. برای این منظور، ابتدا داده های شدت و سپس هر دو داده شدت و فاصله لیدار با استفاده از ماشین بردار پشتیبان طبقه بندی گردیدند. سپس با استفاده از الگوریتم فیلتر کردن شیب مبنا، عوارض ارتفاعی از مجموعه داده ها حذف شدند و مدل رقومی زمین و مدل رقومی عوارض غیرزمینی به دست آمد. در ادامه، نتایج مرحله طبقه بندی با بهره گیری از لایه اطلاعاتی مدل رقومی عوارض غیرزمینی بهبود داده شد. سرانجام با انجام عملیات پس پردازش شامل 5 مرحله، پاکسازی مورفولوژی، حذف عناصر کوچک، اتصال قطع شدگی های راه ها، حذف عناصر ناپیوسته و انسداد مورفولوژی، راه ها از داده های لیدار شناسایی گردید. با مقایسه نتایج حاصل از اجرای الگوریتم با داده های مرجع، مقادیر 35/84 درصد برای پارامتر «کامل بودن»، 61/71 درصد برای پارامتر «صحیح بودن» و 22/63 درصد برای پارامتر «کیفیت» به دست آمد.

توانایی پیش بینی درماندگی مالی شرکت ها به عنوان یکی از حوزه های مدیریت ریسک، از اهمیت ویژه ای برخوردار است. هدف تحقیق حاضر بهبود فرآیند پیش بینی درماندگی مالی با تکیه بر دو بخش مهم در فرآیند مزبور است. برای این منظور ساختار تحقیق در دو بخش پیکربندی شده است. در بخش نخست تمرکز این مقاله بر متغیرهای پیش بین بوده و در بخش دوم نیز بر دو مدل مهم پیش بینی درماندگی مالی شرکت ها تأکید شده است. برای تحقق این هدف مجموعه ای از20 نسبت مالی به همراه امتیاز کارایی به عنوان یک متغیر پیش بین غیر مالی، کاندیدای ورود به دو مدل پیش بینی کننده مهم و در عین حال متفاوت ماشین بردار پشتیبان و تحلیل ممیزی چندگانه شدند. امتیاز کارایی مزبور به وسیله مدل تحلیل پوششی داده ها محاسبه گردیده است. به منظور برآورد متغیرهای تأثیرگذار و همچنین تسریع عملیات پیش بینی، با استفاده از فرآیند انتخاب ویژگی از میان 21 متغیر مورد نظر تعداد 10 نسبت مالی به همراه متغیر غیر مالی کارایی برای ورود به مدل های پیش بینی انتخاب شدند. همچنین به منظور جلوگیری از پدیده فرایادگیری از روش اعتبار سنجی متقابل با 12 زیرمجموعه برای هر یک از مدل های پیش بینی کننده، استفاده گردید. در ادامه به منظور بررسی تأثیر متغیر غیر مالی کارایی، متغیرهای انتخابی یک بار با حضور کارایی و بار دیگر بدون حضور این متغیر به ترتیب وارد مدل های پیش بینی شدند. نتایج بدست آمده حاکی از عدم تغییر دقت کلی این مدل ها بود. بدین ترتیب هیچ یک از فرضیه های تحقیق تأیید نشدند

شناسایی نویسنده یکی از مسایل مهم در دسته بندی متن و پردازش زبا نهای طبیعی به شمار می رود. این نوشتار دستآورد پژوهشی با هدف تعیین هوشمند نوشته های 50 نویسنده سایبری(50 نفر از مشتریان بالقوه ی وب سایت آمازون با توجه به پیام ها و مراجعاتی که به این وب سایت داشته اند انتخاب شده اند) به کمک روش های یادگیری ماشین است. برای سنجش کارایی روش پیشنهادی، دقت تصمیم گیری آزموده و نتایج آنها با بازدهی روش های یادگیری ماشین مقایسه شده است. همچنین در هنگام استخراج ویژگیهای گوناگون نوشته های نویسندگان برای ارزیابی توسط ماشین، کوشش شده تا حداکثر ویژگی های مورد نیاز برای تشخیص نویسنده شبیه سازی گردد و بدین منظور، نزدیک به10000 ویژگی گوناگون از نوشته های مختلف استخراج شده و در چهار دسته ی ویژگی های لغوی ، ویژگی های نحوی ، ویژگی های خاص و ویژگی های ساختاری قرار گرفته اند. در این پژوهش به طور میانگین دقت تعیین نویسنده به کمک روش پیشنهادی تا 98/78 درستی نیز رسیده است.

یکی از حوزه های اصلی مدیریت مالی، مدیریت ریسک می باشد. منظور از مدیریت ریسک، شناسایی، اندازه گیری و نظارت بر ریسک است. بنابراین اندازه گیری ریسک از جایگاه ویژه ای در مدیریت ریسک برخوردار است. از جمله روش های شناخته شده و پرکاربرد اندازه گیری ریسک، محاسبه ارزش در معرض ریسک می باشد که موضوع اصلی این پژوهش است. در این پژوهش با استفاده از مدل ترکیبی ماشین بردار پشتیبان و گارچ به پیش بینی نوسانات شاخص کل و شاخص پنجاه شرکت فعال پرداخته شده و سپس با روش واریانس-کواریانس ارزش در معرض ریسک برآورد شده است و عملکرد آن با استفاده از پس آزمون لوپز و پس آزمون مبتنی بر ریزش مورد انتظار، با برخی از مدل های سنتی چون ریسک متریک، گارچ و ای گارچ مورد مقایسه قرار گرفت. نتایج حاصل از این پژوهش نشان داد که مدل ترکیبی نسبت به سایر مدل های مورد استفاده در این پژوهش، از عملکرد بهتری برخوردار است.

سهامداران جهت گرفتن تصمیم های سرمایه گذاری مناسب، نیازمند اطلاعاتی هستند که آنها را در گرفتن بهترین تصمیم یاری رساند. در میان اطلاعات موجود، اطلاعات مربوط به سود پیش بینی شده هر سهم از نظر استفاده کنندگان با اهمیت تلقی می شود. از طرفی شرکت ها برای جذب سرمایه گذاران سعی می کنند سود هر سهم را با بیشترین دقت پیش بینی کنند. بنابراین، مقاله حاضر به دنبال ارائه مدلی جهت بهبود پیش بینی سود هر سهم شرکت های پذیرفته شده در بورس اوراق بهادار تهران با استفاده از رویکرد های نوین هوش مصنوعی است. برای این منظور ابتدا عوامل مؤثر بر سود هر سهم سال آتی از پژوهش های داخلی و خارجی استخراج شد، سپس با استفاده از اطلاعات مالی شرکت های نمونه در بازه زمانی سال های 1384 تا 1391 و به کارگیری روش ماشین بردار پشتیبان و شبکه های عصبی مصنوعی، مدلی هایی جهت پیش بینی سود هر سهم طراحی گردید. مدل ماشین بردار پشتیبان توانست سود هر سهم سال آتی شرکت های نمونه را با میزان خطای مطلوب 5 درصد پیش بینی کند. این مدل سود هر سهم سال جاری را با ضریب تأثیر 25 درصد به عنوان مؤثرترین متغیر برای پیش بینی سود هر سهم آتی معرفی می کند. همچنین نتایج نشان می دهد که مدل ماشین بردار پشتیبان در مقایسه با مدل شبکه های عصبی مصنوعی عملکرد مشابهی دارد.

امروزه داده های سنجش از دور قادر به ارائه جدیدترین اطلاعات برای مطالعه پوشش زمین و کاربری های اراضی می باشند. این تصاویر به دلیل ارائه اطلاعات به هنگام، تنوع اشکال، رقومی بودن و امکان پردازش در تهیه نقشه های کاربری از اهمیت بالایی برخوردارند. مشخص کردن پوشش اراضی کمک شایانی به مدیران مناطق جهت تصمیم گیری می کند. در این راستا هدف از انجام این پژوهش مقایسه کارآیی روش های پارامتریک (کمترین فاصله و جعبه ای) و ناپارامتریک (ماشین بردار پشتیبان) در طبقه بندی پوشش اراضی با استفاده از تصاویر ماهواره ای لندست 8 در بخشی از شهرستان دزفول می باشد. ماهیت این پژوهش توسعه ای-کاربردی و روش انجام آن توصیفی-تحلیلی بوده است. بدینمنظور داده های ماهواره ای شامل تصاویر ماهواره ای لندست 8 (13/8/2013) تهیه گردید، و با استفاده از نرم افزار ENVI آماده سازی و مورد تجزیه و تحلیل قرار گرفته است. میزان کارآیی هر روش طبقه بندی با محاسبه دو شاخص صحت کلی و ضریب کاپا بررسی گردید.نتایج مقایسه روش های مورد استفاده در پژوهش نشان داد الگوریتم SVM به ویژه سه کرنل خطی، شعاعی و چند جمله ای نسبت به روش های پارامتریک به ترتیب با 15/97% ، 89/95%و 63/95% از دقت مطلوب تری برخوردار هستند.این مطالعه کارآیی و قابلیت مطلوب تر الگوریتم های SVM را در طبقه بندی تصاویر سنجش از دور در مقایسه با روش های پارامتریک تأیید می نماید.

پیش بینی مؤثر درماندگی مالی که پیش از ورشکستگی رخ می دهد یک مسئله ی مهم و چالش برانگیز برای شرکت ها می باشد. تحقیق حاضر به پیش بینی درماندگی مالی در قالب مدل ماشین بردار پشتیبان و با استفاده از ترکیبات جریان نقد می پردازد. اهمیت ابزارهای داده کاوی، و توانایی این ابزارها در پیش بینی و طبقه بندی متغیرها، استفاده از آنها را در مباحث مختلف مالی از جمله پیش بینی ورشکستگی، پیش بینی درماندگی مالی،کشف تقلب مدیریت، برآورد ریسک اعتباری و پیش بینی عملکرد شرکت،گسترش داده است. دراین مطالعه، ترکیبات جریان نقد شرکتهای انتخاب شده برمبنای معیارهای اختصاصی درماندگی به عنوان متغیرهای ورودی مدل به کار گرفته شده است. یافته های تحقیق حاکی از آن است که از میان توابع کرنلی، تابع چند جمله ای در سال درماندگی، یک و دو سال قبل از آن دارای بالاترین قدرت پیش بینی است

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

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

درماندگی مالی پیش از ورشکستگی مالی رخ می دهد و پیش بینی موثر آن یک مسئله ی مهم و چالش برانگیز برای شرکت ها می باشد. تحقیق حاضر به پیش بینی درماندگی مالی در قالب مدل ماشین بردار پشتیبان و با استفاده از ترکیبات جریان نقد می پردازد. اهمیت ابزارهای داده کاوی، و توانایی این ابزارها در پیش بینی و طبقه بندی متغیرها، استفاده از آن ها را در مباحث مختلف مالی از جمله پیش بینی ورشکستگی، پیش بینی درماندگی مالی، کشف تقلب مدیریت، برآورد ریسک اعتباری و پیش بینی عملکرد شرکت، گسترش داده است. دراین مطالعه، ترکیبات جریان نقد شرکت های انتخاب شده برمبنای معیارهای اختصاصی درماندگی به عنوان متغیرهای ورودی مدل به کار گرفته شده است. یافته های تحقیق حاکی از آن است از میان توابع کرنلی، تابع چند جمله ای در سال درماندگی، یک و دو سال قبل از آن دارای بالاترین قدرت پیش بینی است.

هدف از این مطالعه، بررسی تاثیرهوش مالی در پیش بینی ریسک اعتباری شرکت های پذیرفته شده در بورس اوراق بهادار تهران می باشد.روش پژوهش از نوع توصیفی- همبستگی است و فرضیه ها با استفاده از مدل های رگرسیون لجستیک و ماشین بردار پشتیبان مورد آزمون قرار گرفتند.دوره زمانی پژوهش شامل 6 سال ازابتدای 1388 تا پایان 1393 و نمونه آماری شامل 115 شرکت از شرکت های پذیرفته شده در بورس اوراق بهادار تهران می باشد. نتایج حاصل از پژوهش نشان داد که هوش مالی توانایی پیش بینی ریسک اعتباری را دارد.به عبارت دیگر هوش مالی توانایی آن را دارد که با بهره گیری از مدل آماری ماشین بردار پشتیبان ریسک پرداخت تعهدات و ریسک سودآوری را به درستی پیش بینی کند اما در پیش بینی ریسک بهره وری ناتوان عمل کرد.

در این پژوهش، یک مدل پیش بینی براساس روش ماشین بردار پشتیبان تعدیل شده با استفاده از وزن دارکردن تابع جریمه مدل با توجه به حجم معاملات واقعی روزانه به منظور افزایش دقت پیش بینی نوسان های کوتاه مدت در بازار سهام و دست یابی به استراتژی معاملاتی بهینه، ارائه شده است. همراه با طبقه بندی کننده ماشین بردار پشتیبان تعدیل شده، از یک روش انتخاب ویژگی هیبرید، مرکب از یک بخش فیلتر کننده و یک بخش پوشش دهنده به منظور انتخاب زیرمجموعه ای بهینه از ویژگی ها استفاده شده است. همچنین به منظور بررسی توانایی مدل پیشنهادی در پیش بینی روند قیمت، یک استراتژی معاملاتی بر پایه نتایج مدل داده می شود. ورودی مدل چندین شاخص تحلیل تکنیکال و شاخص های آماری متعددی هستند که برای تعداد 10 سهم انتخاب شده از بورس اوراق بهادار تهران محاسبه شده اند. نتایج نشان می دهد که مدل ماشین بردار پشتیبان وزن دهی شده، همراه با روش انتخاب ویژگی هیبرید پیشنهاد شده، میزان دقت پیش بینی را به میزان قابل توجهی افزایش داده و نیز نتایج استراتژی معاملاتی پیشنهادشده را نسبت به استراتژی های رقیب، هم از لحاظ میزان بازده کلی و هم از لحاظ میزان بیشینه ضرر در طول دوره سرمایه گذاری بهبود می بخشد.

تبخیر مؤلفه ای اساسی در چرخة هیدرولوژی است و نقش مهمی در مدیریت منابع آب دارد. در این تحقیق عملکرد مدل های شبکة عصبی مصنوعی (ANN) و ماشین بردار پشتیبان (SVM) در تخمین تبخیر روزانه ارزیابی شده است. داده های روزانة هواشناسی میانگین دما، سرعت باد، فشار هوا، رطوبت نسبی، بارش، دمای نقطة شبنم، و ساعت آفتابی ایستگاه های سینوپتیک تبریز و مراغه، به منزلة ورودی مدل های ANN و SVM، برای تخمین تبخیر روزانه استفاده شد. نخست ده ترکیب مختلف از هفت ورودی و سپس ورودی های منفرد به منظور تخمین تبخیر به کار گرفته شدند. نتایج مدل های استفاده شده نشان داد که هر دو مدل ANN و SVM عملکرد قابل قبولی در تخمین تبخیر دارند. ارزیابی نتایج استفاده از ورودی های تکی نشان داد که به ترتیب کاربردِ پارامترهای میانگین دما و ساعت آفتابی نسبت به پارامترهای دیگر نتایج بهتری در تخمین تبخیر هر یک از ایستگاه ها داشته است. بررسی های این تحقیق نشان می دهد که اگرچه تفاوت معنی داری بین نتایج سه تابع کرنل ماشین بردار پشتیبان وجود ندارد، تابع کرنل پایة شعاعی در مقایسه با توابع کرنل دیگر از دقت زیاد و عملکرد بهتری در تخمین تبخیر روزانه برخوردار است.

هدف این پژوهش، بررسی تأثیر چرخه بازار سرمایه بر رفتار الگوهای پیش بینی درماندگی مالی است. بدین منظور اطلاعات 211 شرکت درماندة منتخب بر اساس معیارهای خاص درماندگی و 211 شرکت سالم پذیرفته شده در بورس اوراق بهادار تهران در فاصله بین سال های 1384 الی 1393 ، مورد استفاده قرار گرفته است. برآورد الگو با استفاده از 35 شاخص منتخب و برای دو دوره رکود و رونق بازار سرمایه انجام گردید. در این مطالعه، از فیلترِ هادریک- پراسکات برای تعیین چرخه بازار سرمایه و از روش های رگرسیون لجستیک و ماشین بردار پشتیبان برای پیش بینی درماندگی مالی استفاده گردیده است. نتایج پژوهش نشان می دهد که رفتار الگوهای پیش بینی درماندگی مالی هم به لحاظ متغیرهای اثرگذار و هم به لحاظ توانایی پیش بینی در دوره های رکود و رونق، متفاوت از یکدیگر بوده و تحت تأثیر چرخه بازار سرمایه قرار می گیرد. همچنین روش ماشین بردار پشتیبان نسبت به روش رگرسیون لجستیک از قدرت پیش بینی بالاتری برخوردار است.

در سال های اخیر، افزایش جمعیت و به تبع آن، افزایش نیازهای آبی و کاهش کیفیت و آلودگی آب های زیرزمینی، به دلیل توسعة صنعت و کشاورزی، موجب توجه به کیفیت منابع آب زیرزمینی شده است. شناسایی و تهیة نقشة پهنه بندی مناطق آسیب پذیر آبخوان، یعنی مناطقی که در آنها امکان نفوذ و پخش آلاینده ها از سطح زمین به سیستم آب زیرزمینی وجود دارد، ابزار مدیریتی مناسبی برای پیشگیری از آل ودگی من ابع آب زیرزمینی است. در این پژوهش، برای تهیة نقشة پهنه بندی پتانسیل آسیب پذیری آبخوان دشت آستانه، در منطقة کوچصفهان از تواب ع استان مازندران، روش دراستیک ((DRASTIC به ک ار گرفته شد که یکی از کاربردی ترین روش ه ای هم پوش انی است. برای صحت سنجی مدل، از داده های غلظت نیترات در منطقه استفاده شد. در این منطقه، استفاده از آب های زیرزمینی برای کشاورزی و تأمین آب شرب اهمیت بسیاری دارد. از سوی دیگر، استفادة بی رویه ازکودهای شیمیایی، به ویژه کودهای نیتروژن دار، برای افزایش محصول و نداشتن دقت لازم در تصفیة فاضلاب شهری و صنعتی و رهاسازی آن از پارامترهای مؤثر بر افزایش مقدار نیترات در آب های زیرزمینی منطقه شمرده می شود. ازاین رو، بررسی آلودگی نیترات که یکی از مهم ترین مسائل زیست محیطی در آب های زیرزمینی است، به صورت منظم و دوره ای، بسیار مهم و ضروری خواهد بود. به همین علت، نیترات عامل اصلی آسیب پذیری این منطقه معرفی شد. نتایج نشان داد آسیب پذیری آبخوان دشت آستانه کوچصفهان در چهار محدوده ق رار دارد. 18/56% دشت دارای آسیب پذیری ک م، 51.29% دارای آسیب پذیری اندک تا متوسط، 28.46% دارای آسیب پذیری متوسط تا زیاد و 1/67% دارای آسیب پذیری زی اد اس ت. میزان همبستگی ب ین ش اخص دراس تیک (شاخص آسیب پذیری) با غلظت نیترات 80% به دست آمده است. در ادامه، با کمک چهار روش هوش مصنوعی، شامل شبکة عصبی مصنوعی، مدل فازی، مدل ماشین بردار پشتیبان و فازی- عصبی، مقدار نیترات تخمین زده شد. برای این منظور، داده های ورودی (پارامترهای دراستیک) و خروجی (مقدار نیترات اندازه گیری و پهنه بندی شده در سی حلقه چاه موجود در منطقه ) مدل و مقادیر نیترات مربوط، به دو دستة آموزش و آزمایش، تقسیم شد. نتایج نشان داد که تمامی مدل های هوش مصنوعی به کار گرفته شده تخمین مناسبی از مقدار نیترات می دهند اما، در این میان، مدل شبکة عصبی بهترین نتایج را دربر داشت؛ به طوری که بین نیترات محاسباتی و مقدار نیترات مشاهداتی همبستگی 98 درصدی دیده شد. در ادامه، با انتخاب مدل شبکة عصبی به منزلة مدل برتر، کوشش شد با کاهش پارامترهای ورودی، مقدار نیترات تخمین زده شود. درنهایت، مشخص شد که با پنج پارامتر محیط خاک، محیط غیراشباع، محیط اشباع، تراز آب، هدایت هیدرولیکی و حذف دو پارامتر تغذیه و توپوگرافی مقدار همبستگی نیترات تخمین زده شده با مقدار واقعی نیترات اندازه گیری شده برابر 0.90 است. درنتیجه، می توان تخمین مناسبی از مقدار نیترات و نیز آسیب پذیری این منطقه داشت. این نکته برتری روش های هوش مصنوعی در بررسی آسیب پذیری را، ور مقایسه با روش دراستیک، نشان می دهد. نتایج نشان داد که مدل های هوش مصنوعی روشی کارآ در تخمین آسیب پذیری آبخوان محسوب می شوند و نتایج دقیقی از برآورد پتانسیل آلودگی در منطقة مورد مطالعه می دهند.

در طبقه بندی تصاویر با قدرت تفکیک مکانی متوسط، مانند لندست، تمایز اراضی کشاورزی بدون پوشش گیاهی از زمین های بایر و همچنین، شناسایی زمین های بایر از مناطق ساخته شده معمولاً دشوار و همراه با خطاست. به همین علت در این مطالعه، ترکیب های متفاوتی از ویژگی های ورودی، به روش های طبقه بندی، به منظور بررسی امکان ارتقای دقت طبقه بندی مقایسه شد. داده های ورودی شامل باندهای طیفی تصویر لندست-7، ویژگی های بافتی شامل ماتریس وقوع هم زمان گام های خاکستری و شاخص های حرارتی و مکانی پیشنهادی در این تحقیق است. در بررسی حاضر، به منظور طبقه بندی سناریوهای متفاوت، از سه روش طبقه بندی شامل بیشترین میزان شباهت، شبکة عصبی و ماشین بردار پشتیبان با هسته های متفاوت استفاده شد. نتایج نشان داد که ادغام تمامی داده های ورودی و استفاده از روش ماشین بردار پشتیبان با هستة پایة شعاعی، با صحت کلی 81/۹۸% و ضریب کاپا 25/98%، ممکن است نتایجی بهتر از دیگر روش ها و سناریوها داشته باشد. همچنین، در تحلیل اهمیت متغیرهای ورودی، با استفاده از روش انتخاب ویژگی برپایة جنگل تصادفی، مشخص شد که شاخص های پیشنهادی در این مطالعه نقش مهمی در طبقه بندی با صحت بالا و کارآمد داشته اند.

طراحی سیستم مدیریت یکپارچه شکایات به سازمان ها این امکان را می دهد که از بازخورد مشتریان اطلاعات بگیرند و از این اطلاعات به منظور کاهش نقاط ضعف عملکرد کسب و کار،استفاده بهینه از منابع سازمان وپایه گذاری رضایت و حفظ رابطه بلند مدت با مشتریان استفاده کنند. به همین منظور در این مقاله مدلی ارائه شده است که اولا بتواند نقاط ضعف سازمان را شفاف کند، به عبارت دیگر به کشف و شناخت الگوهای کاری و عوامل موثر بر آن بپردازد. ثانیا بتواند برای این مشکل راه حل ارایه دهد.به عنوان مطالعه موردی، داده های واحد مدیریت ارتباط با مشتریان بانک خصوصی آینده مورد استفاده قرار گرفته است. این داده ها مربوط به شکایات مشتریان به یکی از مراکز تماس تهران می باشد.در مدل پیشنهادی ایتدا به منظور ارائه یک روش توصیفی، اطلاعات با استفاده از روش کای میانگین خوشه بندی شده، خوشه های بهینه بر مبنای شاخص دیویس- بولدین تعیین و بر اساس تحلیل های به دست آمده ساختار سیستم پاسخگویی طراحی می شود. در مرحله بعد به منظور ارائه راه حل برای مشکل سازمان از روش ماشین بردار پشتیبان استفاده شده است. نتایج به دست آمده اعتبارسنجی شده و پیشنهاداتی به منظور بهبود سیستم مدیریت شکایات ارائه شده است.

صنعت بیمه با توجه به ماهیت خود، مستعد ابتلا به کلاهبرداری و تقلب است. در بیمه اتومبیل، بیمه گر کلیه خسارتهایی را که به واسطه خودرو یا بار خودرو به اشخاص ثالث وارد می شود، تحت پوشش قرار می دهد . در طی سالهای اخیر با توجه به رشد این نوع بیمه، تشخیص عوامل تأثیرگذار بر روی تصمیمهایی که به جعلی بودن یک ادعای خسارت می پردازد به امری ضروری مبدل شده است. یکی از راه های کشف و مقابله با این نوع تقلبها بررسی اطلاعات موجود در پرونده هایی است که از طریق بیمه نامه شخص ثالث ادعای خسارت کرده اند. داده کاوی روش مناسبی برای تعامل با چنین بانکهای اطلاعاتی است و منجر به کشف دانشی ارزشمند از آنها می شود؛ در این تحقیق با بررسی 142 پرونده شخص ثالث و 6 متغیر، سعی شده است تا الگوهای تقلب در بیمه شخص ثالث کشف شود. نتایج تحقیق نشان می دهد الگوریتم درخت تصمیم و شبکه های عصبی در شناسایی پرونده های تقلبی، غیرتقلبی، و مشکوک نسبت به الگوریتم ماشین بردار پشتیبان عملکرد بهتری داشته اند.

با توجه به رشد جمعیت و افزایش شهرنشینی، وقوع حوادث طبیعی مثل زلزله می تواند خسارات و تلفات سنگینی را ایجاد نموده و توسعه شهرها و کشورها را دچار وقفه نماید. پس از وقوع زلزله، مدیران بحران برای به حداقل رساندن خسارات، اعم از جانی و مالی، به اطلاعات سریع از منطقه آسیب دیده نیاز دارند. یکی از اطلاعاتی که می تواند در امدادرسانی سریع و صحیح مورد استفاده قرار گیرد نقشه موقعیت ساختمان های تخریب شده و میزان تخریب آن ها می باشد که به آن نقشه تخریب می گویند. از این رو هدف از این تحقیق ارائه یک روش جدید به منظور ارزیابی میزان تخریب ناشی از زلزله با استفاده از تلفیق تصویر ماهواره ای و داده لیدار بعد از زلزله به همراه نقشه قبل از زلزله می باشد. روش پیشنهادی، پس از پیش پردازش های لازم بر روی تصویر ماهواره ای و داده لیدار بعد از زلزله، توصیف گرهای بافتی مختلف تصویر و داده لیدار استخراج می شوند. در مرحله بعد، با استفاده از لایه ساختمان ها که از نقشه استخراج می شود نواحی مربوط به ساختمان ها از تصویر ماهواره ای و داده لیدار، همچنین از توصیف گرهای تصویر ماهواره ای و داده لیدار استخراج می شود. در ادامه، توصیف گرهای بافتی استخراج شده از تصویر ماهواره ای و داده لیدار با هم تلفیق می شوند. سپس نقاط داخل این ناحیه، با روش طبقه بندی ماشین بردار پشتیبان به دو کلاس آوار و سالم طبقه بندی می شوند. در نهایت، بر اساس مساحت کلاس آوار هر ساختمان، با در نظر گرفتن یک حد آستانه، ساختمان های تخریب شده و ساختمان های تخریب نشده مشخص می گردد. در این مقاله، تصویر ماهواره ای WorldView پرتوپرینس، پایتخت هایتی،پس از زلزله 2010 به همراه داده لیدار استفاده شده است. صحت کلی بدست آمده 97 % و ضریب کاپا به دست آمده 92 % نشان دهنده توانایی الگوریتم در تولید نقشه تخریب پس از زلزله می باشد.