مدل شبکه های عصبی

دمای مؤثر استاندارد (SET) جامع ترین شاخص دمایی در ارتباط با فعالیت های انسانی است که تاکنون ارائه گردیده است. معمولاً برای پیدا کردن دمای مؤثر استاندارد یک مکان در یک لحظه خاص، از نمودار استاندارد دمای مؤثر که توسط موسسة آشرا طراحی گردیده است، استفاده می شود و برای محاسبة یک لحظه، حد اقل یک دقیقه وقت لازم است. هر گاه بخواهیم از آمار روزانه و ساعتی ایستگاه های سینوپتیکی برای دوره های حداقل چند ساله استفاده کنیم. روش مذکور به دلیل حجم زیاد داده ها زمان بر می باشد. بنابراین برنامه ای به زبان دلفی با بهره گیری از مدل شبکه های عصبی نگاشته شد. این برنامة محاسباتی توانست دمای مؤثر روزانه و ساعتی130 ایستگاه سینوپتیکی کشور که به روش ترسیمی بیش از 3000 ساعت وقت لازم داشت را در مدتی کمتر از یک ساعت انجام دهد. در طراحی این نرم افزار که به زبان دلفی نوشته شده از نرم افزارهای,Excel ,Access Data fit وMatlab نیز استفاده شده و دارای1540 خط برنامه است.

رشته بدنه اتومبیل بر خلاف آنچه به نظر می رسد، چندان رشته سود آوری برای شرکت های بیمه محسوب نمی شود و به سمت زیان دهی در حرکت است. از این رو، پژوهش حاضر به کفایت نرخ های حق بیمه بدنه اتومبیل و تدابیری برای آنها توجه کرده و در پی بهسازی و علمی کردن هر چه بیشتر این امور است. به این ترتیب، ابتدا با شناسایی متغیرهای تأثیر گذار بر ریسک بیمه گذاران و مطابقت دادن متغیرها با داده های موجود در پایگاه داده شرکت مطالعه شده، عوامل نهایی انتخاب شدند؛ سپس ضمن عملیات پیش پردازش روی داده ها با استفاده از مدل شبکه های عصبی، طبقه خسارتی و میزان خسارت بالقوه بیمه گذاران پیش بینی شد تا شرکت های بیمه بتوانند با در نظر گرفتن آنها و ضریب خسارت مدنظرشان، نرخ های بهینه ای برای بیمه نامه ها تعریف کنند. نتایج پژوهش نشان می دهد مدل ارائه شده می تواند با دقت 91 درصد طبقه خسارتی را تخمین بزند و با دقت 87 درصد میزان خسارت بالقوه بیمه گذاران را پیش بینی کند.

بیمارستان ها وظیفه حفظ سلامت افراد را بر عهده داشته و قسمت اعظم هزینه های سلامت را به خود اختصاص می دهند. شواهد حاکی از آن است که چشم انداز وسیعی برای ارتقاء و اعتلای منابع بیمارستان ها (مالی و انسانی) وجود دارد. آگاهی و اطلاع از مقدار تقاضای آینده، مدیریت بهینه این منابع و کیفیت خدمات رسانی در حوزه سلامت را تا حد زیادی تضمین می نماید. هدف اصلی این مطالعه بررسی مدل های خطی (ARIMA) و غیرخطی (شبکه عصبیMLP) در پیش بینی تقاضای تعداد افراد بیمار جهت بستری در بیمارستان امام رضا (ع) ارومیه، در بازه های زمانی ساعتی، روزانه، هفتگی و ماهانه و همچنین به تفکیک بخش های مختلف بیمارستان است. نتایج این پژوهش بیانگر آن است که مدل غیرخطی شبکه ی عصبی مصنوعی مبتنی بر الگوریتم MLP، دارای عملکرد بهتری در پیش بینی تقاضای درمان (در دوره نمونه) بوده و قادر است پیش بینی های دقیق تری نسبت به مدل ARIMA ارائه دهد. مدل شبکه عصبی MLP  با متوسط درصد خطای 96/24% نسبت به مدل ARIMA با متوسط درصد خطای کل 73/26% دارای قدرت پیش بینی بالایی می باشد. همچنین نتایج پیش بینی های بخش کودکان و نوزادان نشان می دهد که مدل خطی ARMA دارای قدرت پیش بینی بالاتری نسبت به مدل غیرخطی شبکه عصبی MLP می باشد که دلیل این ناسازگاری با فرضیه های تحقیق را می توان در واریانس پایین داده های این بخش جستجو کرد.