ANN

پیش بینی متغیرهای اقتصادی و مالی اهمیت فراوانی برای سیاستگذاران اقتصادی کشورها دارد. در این مقاله شاخص کل بازدهی سهام تهران (TEPIX) با استفاده از داده های روزانه و هفتگی این شاخص در بازه زمانی سال 1377تا 1382 و بکارگیری روش های مختلف پیش بینی مانند مدل های ARIMA، ARFIMA، GARCH و شبکه عصبی (ANN) برآورد و پیش بینی شدند. مقایسه دقت پیش بینی مدل های مذکور از طریق معیار های پیش بینی مانند RMSE، MAE و U-Thiel نشان می دهد که مدل ANN در پیش بینی شاخص روزانه و هفتگی عملکرد بهتری نسبت به سایر مدل ها دارد، اما مقایسه آماری دقت پیش بینی مدل های مختلف با استفاده از آماره دیبلد- ماریانو، تفاوت معنی داری بین دقت پیش بینی مدل های مذکور را نشان نمی دهد.

تهیه نقشه کاربری و پوشش اراضی برای برنامه ریزی و مدیریت منابع طبیعی امری ضروری می باشد. در این بین استفاده از داده های سنجش از دور با توجه به ارائه اطلاعات به روز، پوشش تکراری، کم هزینه بودن در ارزیابی منابع طبیعی جایگاه خاصی دارد. لذا در این پژوهش، تصاویر لندست 8 به عنوان داده ورودی برای تهیه نقشه کاربری اراضی در سطح 2و1 مورد استفاده قرار گرفت. در این بین، با توجه به جدید بودن این تصاویر، تصحیحات رادیومتریک با استفاده از روابط موجود در محیط مدل از نرم فزار Erdas فرمول نویسی شد. هم چنین از شاخص های گیاهی NDVI، خاک بایر (BI) و سه مولفه اصلی آنالیز مولفه های اصلی (PCA) به عنوان ورودی در کنار دیگر باندها ب رای افزایش دقت طبقه ب ندی مورد استفاده قرار گرفت. از طرفی توابع کرنل ها و رتبه های چندجمله ای روش ماشین بردار پشتیبان (SVM) مورد ارزیابی قرار گرفت و بهترین نتیجه این روش با روش شبکه عصبی مصنوعی (ANN) مورد مقایسه قرار گرفت. نتایج نشان داد که دقت روش ماشین بردار پشتیبان 92٪ با ضریب کاپا 91/0 و روش شبکه عصبی 89٪ با ضریب کاپا 87/0 می باشد هم چنین جایی که کلاس ها رفتار طیفی مشابهی را از خود نشان می دهند روش SVM کارایی بهتری از خود نشان می دهد.

بانک ها به عنوان بخش اصلی نظام مالی نقش کلیدی را در تأمین مالی بخش های مختلف اقتصادی بر عهده دارند. یکی از مهم ترین موضوع های مطرح شده در زمینه ی مدیریت مالی و بازار یابی مالی، این است که سرمایه گذاران فرصت های مناسب سرمایه گذاری را از فرصت های نامطلوب تشخیص دهندو مدیران مدیریت مالی موثر و کارآمد در تامین منابع مالی داشته باشند. یکی از راه های کمک به سرمایه گذاران، ارائه ی الگوهای پیش بینی ورشکستگی شرکت ها است. تا به امروز تکنیک های مختلفی برای طراحی مدل های پیش بینی ورشکستگی شرکت ها مورد استفاده قرار گرفته است. از آنجا که مطالعات اخیر در زمینه ی پیش بینی ورشکستگی ، بر ایجاد و به کارگیری هوش مصنوعی و روش های یادگیری ماشینی متمرکز شده است، لذا در پژوهش حاضر به منظور پیش بینی ورشکستگی شرکت ها از شبکه های عصبی-فازی(ANFIS)و شبکه های عصبی مصنوعی(ANN) و رگرسیون لجیت(LR) به عنوان مدل مقایسه ای وبرای پیاده سازی مدل ها، از نرم افزار متلب نسخه 2015 استفاده شده است. نمونه ی تحت بررسی شامل 71 شرکت ورشکسته و 74 شرکت سالم می باشد که طی یک دوره 5 ساله از سال 1389 الی1394از بورس اوراق بهادر تهران انتخاب شده اند. یافته های تحقیق حاکی از آن است که در پیش بینی ورشکستگی شرکت ها، مدل مبتنی بر شبکه های عصبی مصنوعی(ANN) نسبت به مدل مبتنی بر شبکه های عصبی-فازی(ANFIS) و رگرسیون لجیت(LR) از دقت کلی بیشتری برخوردار است.

در این پژوهش نتایج سه مدل ریزمقیاس نمایی SDSM، شبکة عصبی ANN، و مدل مولد آب وهوایی LARS-WG در شبیه سازی پارامترهای اقلیمی بارش روزانه، کمینه، و بیشینة دمای روزانه در منطقة شمال غرب ایران مقایسه شده است. منطقة مورد مطالعه شامل دوازده ایستگاه هواشناسی است که دارای آمار بلندمدت اند. از داده های دما و بارش روزانة ایستگاه ها در دورة 1961 1990 به عنوان دورة پایه در مدل و دورة 1991 2001 به عنوان دورة اعتبارسنجی استفاده شده است. در این بررسی از دو آزمون ناپارامتری و شاخص ریشة مجموع مربعات خطای مدل (RMSE) برای مقایسة دقت سه مدل استفاده شده است. نتایج نشان داد برای دماهای کمینه و بیشینه عملکرد مدل ANN بهتر از دو مدل دیگر است. برای داده های بارش، طبق شاخص RMSE، دقتِ مدل SDSM نسبت به دو مدل دیگر بیشتر است. بر اساس آزمون ناپارامتری من - ویتنی، عملکرد دو مدلِ SDSM و LARS-WG یکسان و بهتر از مدل ANN بود. تحلیل مکانی عملکرد سه مدل نشان می دهد که عملکرد مدل ها بسته به نوع اقلیم منطقه است؛ به طوری که منطقة جنوب غرب آذربایجان شرقی و کردستان، به سبب ناپایداری های بیشتر، عملکرد پایین تری دارند.

در سال های اخیر، استفاده از روش های مدل سازی که مستقیماً از داده های تجربی استفاده می کنند به دلیل دقت بالا در پیش بینی نتایج فرآیند، به جای روش های آماری رو به افزایش است. در این مقاله، توانایی مدل های شبکه عصبی مصنوعی (ANN) و سیستم استنتاج فازی-عصبی تطبیقی (ANFIS) در پیش بینی عملکرد حرارتی نانوسیال Al 2 O 3 که توسط مقاومت حرارتی سنجیده می شود، بررسی شده است. داده های آزمایشگاهی از یکی از مقالات معتبر که عملکرد حرارتی نانوسیال Al 2 O 3 را درون یک لوله حرارتی نوسانی بررسی کرده بود، استخراج شد. برای مدل سازی توسط ANN از یک شبکه پرسپترون چندلایه و برای ANFIS از یک مدل فازی سوگنو استفاده شد که هر دو از دقیق ترین و رایج ترین روش های مدل سازی هستند. مقایسه مقادیر هدف با مقادیر پیش بینی شده توسط هر دو مدل بسیار رضایت بخش بود و ضریب همبستگی برای هر دو بیش از 99/0 بدست آمد که نشان دهنده میزان بالای دقت این دو مدل است. در نهایت عملکرد هر دو مدل با هم مقایسه شد که عملکرد هردو بسیار خوب و نزدیک به هم بود، ولی در مجموع ANN نسبت به ANFIS عملکرد بهتری از خود نشان داد.

هدف از مطالعه حاضر بررسی اثر نااطمینانی نرخ ارز حقیقی بر واردات کشاورزی ایران برای دوره 1395-1357 و پیش بینی میزان واردات کشاورزی ایران تا سال 1404 با استفاده از روش های GARCH، VAR، VECM و ANN است. بدین منظور، از الگوی واریانس ناهمسانی شرطی اتورگرسیو تعمیم یافته برای شاخص سازی نااطمینانی نرخ ارز حقیقی، از رهیافت الگوی های خودرگرسیونی و تصحیح خطای برداری برای برآورد رابطه هم جمعی و پویای های کوتاه مدت و بلندمدت و در نهایت برای پیش بینی از روش شبکه عصبی مصنوعی استفاده شد. نتایج نشان داد که رابطه غیرمستقیم از نوسانات نرخ ارز حقیقی و الگوی مصرفی جامعه بر واردات بخش کشاورزی و رابطه مستقیم از متغیر درآمد نفتی و متغیر جذب بر واردات بخش کشاورزی وجود دارد. سپس از مقایسه کارایی الگوی های خودرگرسیونی و الگوی تصحیح خطای برداری و شبکه عصبی مصنوعی، از شبکه عصبی طراحی شده در جهت پیش بینی واردات بخش کشاورزی ایران برای دوره زمانی 1396 تا 1404 تحت یک سناریو استفاده شد و پیش بینی برون نمونه ای انجام شد. نتایج حاکی از آن است که با افزایش نوسانات نرخ ارز، واردات بخش کشاورزی کاهش .......

با توجه به افزایش و روند رو به رشد شهرنشینی در طی سال های گذشته در شهرهای کشورهای درحال توسعه و در پی آن افزایش ضایعات انسانی و سنتی بودن روش دفن زباله در این گونه شهرها، مکان یابی دفن پسماند به عنوان یک موضوع اصلی مطرح می شود. با توجه به مرکزیت شهرستان گرگان در استان گلستان و افزایش رو به رشد جمعیتی آن، مکان یابی دفن پسماند یک موضوع بسیار مهم در این شهرستان می باشد. هدف این پژوهش مکان یابی دفن پسماند در شهرستان گرگان است. پژوهش حاضر از نظر ماهیت در دسته تحقیقات توصیفی و تحلیل قرار می گیرد. داده ها و اطلاعات موجود از طریق مراجعه به کتابخانه، ادارات، سایت ها و از طریق پرسشنامه تهیه و استخراج گردیده است. برای مکان یابی دفن پسماند در شهرستان گرگان با استفاده از 11 شاخص و 2 مدل AHP و ANN بهره گرفته شده است. با توجه به مدل های، AHP و ANN می توان عنوان کرد نامناسب ترین مکان برای دفن پسماند قسمت های شمالی شهرستان می باشد که از دلایل آن می توان به نزدیکی چاه های آب زیرزمینی، نزدیکی به فرودگاه، نزدیکی به سه شهر گرگان، جلین و سرخن کلا، زمین شناسی نامناسب، نزدیکی راه های آسفالته و روستاها اشاره کرد. در زمینه دفن پسماند در گذشته، هر 2 مدل مشخص گردیده است محدوده هزار پیچ به عنوان مکان بسیار نامناسب برای دفن پسماند بوده است.

شهرستان پاوه به دلیل ویژگی های خاص زمین شناسی، ژئومورفولوژیکی و فعالیت های آنتروپیک (انسانی)، مدت زیادی است که از نظر زمین لغزش تحت تأثیر قرارگرفته است. هدف این پژوهش، پهنه بندی خطر زمین لغزش و ارتباط آن ها با عوامل مؤثر بر وقوع آن و مقایسه مدل (ANN)، با روش (OWA)، جهت ارزیابی خطر زمین لغزش در شهرستان پاوه است. بدین جهت ابتدا موقعیت زمین لغزش های رخداده در منطقه با استفاده از بازدید های میدانی شناسایی شدند و نقشه های عوامل تأثیر گذار بر وقوع زمین لغزش شامل (لیتولوژی، شیب، جهت شیب، طبقات ارتفاعی، بارش، کاربری اراضی، فاصله از آبراهه، فاصله از جاده، فاصله از گسل، خاک) در محیط GIS، تهیه گردید. در راستای انجام مدل OWA، وزن دهی با استفاده از روش کرتیک، ارزش گذاری و استاندارد سازی نقشه های معیار، به صورت توأم با استفاده از روش فازی انجام گرفت. به منظور انجام مدل شبکه عصبی مصنوعی، از نرم افزار MATLAB، استفاده شد و هر یک از پارامتر های شبکه عصبی مصنوعی، با روش سعی و خطا، تعیین شده است. سپس با ساختار نهایی شبکه دارای 8 نرون در لایه ورودی، 13 نرون در لایه پنهان و 1 نرون در لایه خروجی گردید. با توجه به نتایج مطالعه عوامل شیب، کاربری اراضی، لیتولوژی و خاک، به ترتیب با ضریب وزنی؛ 156/0، 143/0، 139/0 و 131/0، بیشترین اهمیت را دریافت کردند. با توجه به خروجی مدل OWA، به ترتیب 53/15 و 64/26 درصد از منطقه در دو طبقه بسیار پرخطر و پرخطر قرار دارند و با توجه به خروجی شبکه ی عصبی 88/19 و 82/29 درصد از منطقه در طبقه بسیار پرخطر و پرخطر واقع شده است. مناطق بسیار پرخطر و پرخطر، به طور عمده در شیب 15-30 درصد، کاربری زراعی، سازند های نا مقاوم و سست کواترنری و در خاک هایی با درصد زیاد رس و سیلت و مارن قرار دارند. در نهایت، با مقایسه ی دو روش، مشخص گردید که مدل OWA، دارای دقت بالاتری نسبت به روش ANN بوده است.

هدف این مطالعه ارزیابی کارایی دو مدل داده کاوی شبکه عصبی مصنوعی و الگوریتم ماشین پشتیبان بردار در سه حالت استفاده از شاخص های مورفومتریک شامل شاخص خیسی توپوگرافی، شاخص موقعیت توپوگرافی، شاخص توان آبراهه، شاخص طول شیب، شاخص ناهمواری زمین، شاخص تعادل جرم، شاخص انحنای پروفیل و شاخص انحنای سطح ؛ استفاده از عوامل محیطی و انسانی شامل بارندگی، ارتفاع حوضه، درجه شیب ، جهت شیب، لیتولوژی، کاربری اراضی، شاخص تفاضل نرمال شده پوشش گیاهی ( NDVI )، فاصله از آبراهه، فاصله از جاده و فاصله از گسل؛ و ترکیبی از دو حالت فوق، در پهنه بندی حساسیت زمین لغزش های حوضه آبخیز چریک آباد ارومیه است. برای این منظور با استفاده از بازدیدهای میدانی و تصاویر گوگل ارث، تعداد 92 نقطه لغزشی در حوضه شناسایی شدند. نقشه شاخص های مورفومتریک و عوامل محیطی و انسانی در SAGA_GIS6.4 و ArcGIS10.5 تهیه و رقومی شدند. نتایج ارزیابی دو مدل با استفاده از منحنی ROC نشان داد که در حالت استفاده از شاخص های مورفومتریک دو مدل SVM و ANN به ترتیب با سطح زیر منحنی 742/0 و 763/0 دارای عملکرد خوب در پهنه بندی حساسیت زمین لغزش ها بوده اند. در حالت استفاده از عوامل انسانی و محیطی، دو مدل فوق به ترتیب با سطح زیر منحنی 876/0 و 929/0 دارای عملکرد خوب و خیلی خوب؛ و در حالت استفاده از هر دو عوامل انسانی و محیطی به همراه شاخص های مورفومتریک، دو مدل با سطح زیر منحنی 940/0 و 936/0 دارای عملکرد تقریباً یکسان با رتبه عالی در پهنه بندی مناطق حساس بوده اند. بالاترین مقدار مجموع کیفیت (Qs) و نسبت تراکمی ( Dr ) بیشترین همبستگی بین رده های خطر برای مدل SVM در حالت سوم بوده است. نتایج حاصل از شاخص کاپا در حالت برتر نشان داد که به ترتیب عوامل لیتولوژی، LS و ارتفاع حوضه بیشترین تأثیر را بر وقوع زمین لغزش ها داشته اند؛ بنابراین تأثیر عوامل طبیعی نسبت به عوامل انسانی و در حالت کلی شاخص های مورفومتری در مقایسه با عوامل محیطی و انسانی در وقوع لغزش ها بیشتر بوده و حوضه ذاتاً حساس به وقوع لغزش است.

در این مقاله با استفاده از روش های مبتنی بر یادگیری مقدار بخار آب قابل بارش (PWV) به صورت مکانی-زمانی مدل سازی شده و سپس پیش بینی می شود. از سه مدل شبکه های عصبی مصنوعی (ANNs)، سیستم استنتاج عصبی-فازی سازگار (ANFIS) و مدل رگرسیون بردار پشتیبان (SVR) برای انجام این کار استفاده شده است. برای مقایسه کارایی و دقت این سه مدل، نتایج حاصل با مشاهدات بخار آب قابل بارش حاصل از ایستگاه رادیوسوند (PWV radiosonde() و بخار آب قابل بارش به دست آمده از مدل تجربی ساستامنین (PWV Saastamoinen) نیز مقایسه شده است. مشاهدات 23 ایستگاه GPS مابین روزهای 300 الی 305 (6 روز) از سال 2011 در منطقه شمال غرب ایران برای ارزیابی مدل ها، به کار گرفته شده است. دلیل انتخاب این منطقه و بازه زمانی مورد نظر، در دسترس بودن مجموعه کاملی از مشاهدات ایستگاه های GPS ، رادیوسوند و ایستگاه های هواشناسی است. از 23 ایستگاه مورد نظر، مشاهدات دو ایستگاه KLBR و GGSH به منظور انجام تست نتایج حاصل کنار گذاشته می شود. در مرحله اول، تأخیر تر زنیتی (ZWD) از مشاهدات 21 ایستگاه GPS محاسبه و سپس تبدیل به مقدار PWV می شود. مقادیر PWV حاصل از این مرحله به عنوان خروجی هر سه مدل در نظر گرفته شده است. همچنین چهار پارامتر طول و عرض جغرافیایی ایستگاه، روز مشاهده (DOY) و زمان (min .) به عنوان ورودی های سه مدل هستند. هر سه مدل با استفاده از الگوریتم پس انتشار خطا (BP) آموزش داده شده و کمینه خطای حاصل در محل ایستگاه رادیوسوند تبریز (38/08N وE 46/28) ، به عنوان معیار پایان آموزش در نظر گرفته شده است. پس از مرحله آموزش، مقدار بخار آب قابل بارش در ایستگاه های تست با هر سه مدل محاسبه و سپس با مقدار بخار آب قابل بارش حاصل از GPS (PWVGPS) مقایسه می شوند. میانگین ضریب همبستگی محاسبه شده برای چهار مدل ANN ، ANFIS ، SVR و Saastamoinen در 6 روز مورد مطالعه به ترتیب برابر با 0/85، 0/88، 0/89 و 0/69 است. همچنین، میانگین RMSE برای چهار مدل در 6 روز به ترتیب برابر با 2/17، 1/90، 1/77 و 5/45 میلی متر شده است. نتایج حاصل از این مقاله نشان می دهد که مدل SVR از قابلیت بسیار بالایی در برآورد مقدار بخار آب قابل بارش برخوردار بوده و از نتایج آن می توان در مباحث مرتبط با هواشناسی و پیش بینی بارش استفاده نمود.