شبکه ی عصبی

به دلیل پیچیدگی تصمیمات پزشکی، کاربرد سیستم های اطلاعاتی جهت پشتیبانی از این تصمیمات افزایش یافته است. در این بین، نقش سیستم های هوشمند در یاری رسانی به پزشکان برجسته است. در این مقاله، به بررسی قابلیت این سیستم ها در پزشکی پرداخته شده است و مهم ترین چالش های به کارگیری این سیستم ها مورد بحث قرار گرفته است. محدودیت تکنولوژی، هزینه ی سیستم، نگهداری متخصصین در سازمان، وارد کردن داده های بیمار در سیستم، مشکلات کسب دانش، مدل سازی دانش پزشکی، تأیید عملکرد سیستم، توصیه های اشتباه و مسؤولیت در برابر خطا، محدودیت حوزه ی عملیاتی هوش مصنوعی و ضرورت یکپارچگی آن با فعالیت های جاری از جمله چالش های پیش روی به کارگیری این نوع سیستم ها است که مستلزم ارایه ی راهکار یا پاسخ های مناسب می باشد.

شوک های پولی به عنوان یکی از ابزارهای کنترل اقتصاد در نظام های اقتصادی هستند. درک درست از چگونگی تأثیر این شوک ها بر نظام اقتصادی، راهنمایی خوب برای تعیین سیاست های مناسب برای اثرگذاری بر دیگر متغیرهای کلان اقتصادی است. در این مقاله با استفاده از شبکه های عصبی مصنوعی، تاثیر شوک های پولی بر میزان تولید در کشور مدل سازی و بررسی شده است. با بـررسـی جداگانه شوک های مثبت و منفی، تأثیرات متقارن و نامتقارن این شوک ها در حالت های مختلف و برای بازه های متفاوتی از مقادیر شوک ها براساس رفتار غیرخطی تولید به دست آمد. نتایج به دست آمده نشان می دهد که می توان با استفاده از مدل شبکه ی عصبی مصنوعی، حالت بهینه شوک های پولی را برای دستیابی به بیشترین رشد تولید در وضعیت های متفاوت اقتصادی به-دست آورد. به این صورت که متقارن یا نامتقارن بودن رفتار شوک های پولی بستگی به اوضاع اقتصادی سال و دوره ی مورد بررسی دارد. افزون براین، برای اثرگذاری شوک ها(تأثیر مثبت یا منفی) بر تغییرات تولید نیز بستگی به مقدار شوک دارد و شوک ها یک اثر خاص بر تولید ندارند.

ماهیّت بیشتر رفتارهای هیدرولوژیکی رودخانه ها تابع شرایط اقلیمی و زمین شناسی حاکم بر محیط در زمان های گذشته است که با مطالعه ی آثار و شواهد پالئوژئومورفولوژی می توان به دلایل رفتار فعلی شبکه های آبی پی برد. جریان کلی رودخانه ها و سیلاب ها در حوضه ی رود اوجان (دشت آسپاس) جنوب شرقی- شمال غربی است، در حالی که جریان آب ها در شرق و غرب حوضه ی مورد مطالعه (دشت های نمدان و بکان) و بطور کلی در سیستم داربستی کُر شمال غربی- جنوب شرقی و برخلاف رود اوجان است. در این پژوهش به دنبال پاسخ به این رفتارهای رودخانه ی اوجان در شبکه نروتیک در طول زمان بوده و در بررسی این رفتار به جای استفاده از روابط هیدرولوژی و نزولات جوی از روابط سیستم نرونتیک شبکه ی زهکش و ژئونرون های مجازی، توپوگرافی و زمین شناسی (شبکه ی عصبی) استفاده شد. دستاورد تحقیق نشان می دهد با تغییر اقلیم منطقه در کواترنر و آب شدن ورقه های یخی در میانه ی دشت، حوضه ی رود اوجان به عنوان یک توپوژئونرون ایزوله درآمده و حوضه ی آبی مستقلی را در حوضه آبی کُر به وجود آورده و در اثر پاره شدن حوضه از طریق تنگ بُراق به جمع آبراهه های رود کُر پیوسته است. بعد از مدّتی مخروط افکنه ی عظیمی در جنوب حوضه ایجاد و مانند یک سدِ مانع، از عبور جریان به سمت رودخانه ی سیوند (رودخانه زمان بیگ) جلوگیری کرده و حوضه به شکل پالئوتوپوژئونرون درآمده که در اثر تحولات بعدی استقلال نسبی خود را از دست داده و تبدیل به یک توپوژئونرون شده است.

در این مطالعه با استفاده از روش های اقتصادسنجی ARMA ، GARCH و روش های هوش محاسباتی، شبکه ی عصبی مصنوعی و الگوریتم ژنتیک اقدام به پیش بینی میزان صادرات خرمای ایران برای دوره ی 1395-1389 شد. به منظور انجام بررسی ها از داده های مربوط به دوره ی زمانی 1388-1346 استفاده گردید. از داده های دوره ی 1384-1346 به منظور مدل سازی و از داده های 4 سال آخر برای بررسی قدرت پیش بینی استفاده شد. نتایج مطالعه نشان داد که شبکه ی عصبی در مقایسه با سایر روش ها از خطای پیش بینی کمتری برخوردار است. بعد از شبکه ی عصبی الگوریتم ژنتیک دارای کمترین خطا بوده و معیار های عملکرد نشان دهنده ی توانایی الگوریتم ژنتیک در پیش بینی میزان صادرات خرما می باشند. با توجه به برتری شبکه ی عصبی در پیش بینی میزان صادرات خرمای ایران، پیش بینی های صورت گرفته توسط این مدل، روند افزایشی-کاهشی در میزان صادرات خرمای ایران را نشان می دهد.

مطالعه و سنجش  یون  سپهر در علوم مختلف از جمله مطالعات فضایی و برای بهبود آنالیز و پیش بینی فضایی هوا  شامل طوفان های ژئومغناطیسی، بررسی پدیده ها و ناهنجاری های یون سپهری، سیستم های مخابراتی،ژئوفیزیکی، مطالعه پیش نشانگری زلزله و مخاطرات طبیعی  بسیار کارآمد می باشد. برای توصیف فرآیندهای فیزیکی و شیمیایی رخ داده در لایه یون سپهر تغییرات پی در پی چگالی الکترون این لایه  با تغییرات زمان و موقعیت جغرافیایی موسوم  به پروفیل عموی لایه یون سپهر ( پروفیل چگالی الکترون ) مورد استفاده قرار می گیرد. اهمیت پایش چگالی الکترون یون سپهر بدلیل تأثیری که لایه یون سپهر بر روی امواج رادیویی  GPS در ناوبری و مخابرات می گذارد، سبب مدلسازی و بررسی پارامتر یون سپهری در این مقاله گردیده است. تغییرات ناگهانی و زیاد چگالی الکترون در بخش های مختلف یون سپهر مدلسازی آن را برای تصحیح خطای یون سپهری بسیار پیچیده می نماید.یکی از جدیدترین روش های سنجش از دور برای استخراج پروفیل چگالی الکترون در لایه ی یون سپهر، روش نهفتگی رادیویی (GPS RO)  است که قادر به تولید پروفیل های چگالی الکترون با توان تفکیک قائم بالامی باشد. دراین روش گیرنده های   GNSS بر روی ماهواره های  ارتفاع پایین (LEO) قرار گرفته و سیگنال فرستاده شده در راستای خط دید ماهواره های   LEO و GNSS  خم گردیده و اطلاعات لایه های اتمسفری (بویژه یون سپهر)  را ثبت و ضبط می نماید. در این مقاله ، ابتدا ماهواره ی COSMIC معرفی و سپس برای سال های 2006تا2007 (کمینة فعالیت خورشیدی) بکارگیری الگوریتم های هوشمند توانسته است کارآیی مناسبی در جهت مدلسازی پروفیل های چگالی الکترون ارائه دهد . نتا یج بدست آمده با پروفیل های چگالی الکترون  سه نوع مدل مرجع بین المللی یون سپهری IRI-NEQ ، IRI-Corr و IRI-001 مقایسه شده اند و چنین نتیجه گرفته شده است که برای کشور ایران، مدل ایجاد شده با شبکة عصبی  شباهت بیشتری  با پروفیل های مشاهداتی ماهواره ی COSMIC نسبت به پروفیل های چگالی الکترون مدل های مرجع بین المللی یون سپهری از خود نشان می دهند.

پیش بینی متغیرها یکی از وظایف اصلی و مهم علوم مختلف از جمله اقتصاد می باشد. به طور کلی پیش بینی ها می توانند در ارتباط با انجام بخشی از سیاست ها کاربردهای مفید و مؤثری را به نمایش گذارند. در این مطالعه به طور مشخص از مدل تلفیقی داده ستانده و شبکه ی عصبی در پیش بینی تقاضای نهایی و تولید کل استفاده و با نتایج حاصل از کاربرد مدل داده ستانده مقایسه شده است. ابتدا با استفاده از میانگین نرخ رشد تقاضای نهایی طی سال های 1365 الی 1375 به برآورد تقاضای نهایی پرداخته و سپس تولید کل با استفاده از روش داده ستانده پیش بینی شده است. در گام بعدی دو شبکه ی عصبی پیش خور تعمیم یافته به ترتیب با یک و سه لایه ی پنهان و توابع فعال سازی Axon در نظر گرفته شده اند. متغیر خروجی شبکه ی اول، تقاضای نهایی سال 1380 و متغیر خروجی شبکه ی دوم، تولید کل سال 1380 می باشد. استفاده از معیارهای MSE، RMSE، MAD، MAPE و U-Thail در مقایسه ی دو مدل نشان می دهد که مدل تلفیقی داده ستانده و شبکه ی عصبی نسبت به مدل داده ستانده در پیش بینی تولید کل از دقت بیش تری برخوردار است. طبقه بندی :JEL C53, D57, C54

رشد اینترنت، شبکه های اجتماعی و وبسایت های تجارت الکترونیک بستری جهت ارائه عقاید و نظرات برای کاربران فراهم می نمایند. در سال های اخیر بسیاری از کاربران احساسات و نظرات خوب یا بد خود را در مورد غذا، خدمات، کیفیت و فضای رستوران ها در بسترهای آنلاین بیان می کنند. این نظرات برای تصمیم گیری سایرکاربران و همینطور رستوران ها جهت حفظ کیفیت، توسعه ی محصول و برندشان بسیار مهم می باشند. تحلیل احساسات رویکردی جهت پردازش زبان طبیعی است و امکان تحلیل سیستماتیک نظرات کاربران را فراهم می نماید. با توجه به اهمیت این موضوع هدف این مطالعه ارائه ی مدل تحلیل احساسات نظرات سایت تریپ ادوایزر درباره ی رستوران های ایرانی می باشد. در این تحقیق ما تحلیل احساسات مبتنی بر جنبه بر اساس الگوریتم یادگیری عمیق شبکه ی عصبی حافظه ی طولانی کوتاه مدت استاندارد را برای استخراج احساسات کاربران در مورد رستوران ها پیشنهاد نموده ایم. برای آموزش مدل، 4000 نظر طبق چهار جنبه در سه حالت عدم اشاره، مثبت و منفی برچسب زده شد و گام های مطالعه طبق متدولوژی کریسپ صورت گرفت. میزان دقت برای معیارهای غذا، سرویس، قیمت و اتمسفر به ترتیب 82%، 86%، 87% و 81% به دست آمد. این نتایج نشان از کارایی و عملکرد قابل قبول مدل برای تحلیل احساسات مبتنی بر جنبه ی رستوران ها است. همچنین جنبه ی غذا و اتمسفر به ترتیب مهم ترین جنبه ها برای مشتریان رستوران های ایرانی محسوب می شوند. رستوران داران و صاحبان کسب وکار می توانند از مدل توسعهیافته برای کسب مزیت رقابتی و یافتن نقاط قوت و ضعف خود استفاده کنند.

هدف پژوهش حاضر بررسی کاربرد هوش مصنوعی در حسابداری است. پژوهش حاضر مبتنی بر رویکرد فلسفی و علمی بر پایه روش شناخت تاریخی به موضوع تعامل حسابداری و تکنولوژی هوش مصنوعی می پردازد. در حقیقت بر اساس این رویکرد محقق قصد دارد به بیان فلسفی، نقش تکنولوژی هوش مصنوعی و مدیریت آن در دانش حسابداری را ارائه دهد و به سؤالاتی که در خصوص ارتباط بین این دو رشته که در تئوری و عمل مطرح می باشد به سوأل اصلی پژوهش یعنی "کاربرد هوش مصنوعی در حسابداری چیست" را تبیین کرد. همچنین چگونه می توان همسو با تحولات تکنولوژی باعث ارتقاء جایگاه حسابداری در سازمان ها و جامعه گردید، پاسخ دهد. برای جمع آوری منابع مورد نیاز، اسناد و مدارک آرشیوی که نتیجه تحقیقات تجربی است، بررسی گردید و مبانی نظری و پیشینه تحقیق به روش کتابخانه ای شناسایی و مورد استفاده قرار گرفت. در پژوهش حاضر با توجه به گسترده بودن مباحث فوق، پنج عاملی که نقش عمده تری در تشریح کاربرد هوش مصنوعی در حسابداری دارند، شامل سیستم های خبره، شبکه عصبی، الگوریتم ژنتیک، منطق فازی و یادگیری ماشینی مورد توجه و بررسی قرار گرفته است. با توجه به بررسی های صورت گرفته، استفاده از هریک از عوامل فوق به تنهایی نتایج کامل و دقیقی را ارائه نمی دهد. لیکن پیشنهاد می گردد محققین این حوزه، عوامل ارائه شده فوق را جهت ارائه الگوی واحد بکار گرفته تا از این طریق بتوان استفاده بهینه را از هوش مصنوعی برد.

                                              پیش بینی های اقلیمی نشان می دهد که افزایش غلظت گازهای گلخانه ای سبب تغییر در چرخه ی هیدرولوژیکی خواهد شد. هدف از این تحقیق ارزیابی تأثیر تغییر اقلیم بر دبی در حوضه ی آبخیز گرگانرود - قره سو در استان گلستان می باشد. در این مطالعه از آزمون های ناپارامتری جهت آنالیز روند و همبستگی در سری های زمانی پارامترهای اقلیمی و هیدرولوژیکی در دوره ی پایه استفاده گردید. سپس داده های دو مدل گردش عمومی جو HadCM3 و ECHAM4 با به کارگیری مدل LARS-WG طبق سه سناریوی A2، B1 و A1B برای منطقه ی مورد مطالعه طی دوره ی 2030-2011 ریزمقیاس گردید و از مدل شبکه ی عصبی پرسپترون چندلایه در مقیاس روزانه برای شبیه سازی دوره ی پایه ی 2008-1987 استفاده شد. دبی خروجی از حوضه برای سه سناریو در دو مدل HadCM3و ECHAM4 در دوره ی 2030-2011 تولیدگردید. نتایج نشان داد که دبی در دو ایستگاه تمر و اراز کوسه واقع در حوضه ی مورد مطالعه کاهش یافته است که در هیچ کدام از دو ایستگاه این کاهش معنی دار نیست. به علاوه تغییرات دمای حداقل و بارش تأثیر بیشتر و معنی داری را بر تغییرات جریان رودخانه ی حوضه داشته است. نتایج حاصل نشان دهنده ی کاهش دبی در تمام سناریوهای ذکر شده دو مدل گردش عمومی جو در دوره ی آینده نسبت به دوره ی پایه خواهد بود.

در سال های اخیر سطح تراز آب های زیرزمینی در اثر تغییرات اقلیمی و همچنین شیوه و میزان بهره برداری از آن ها، روند نزولی داشته است. با توجه به افزایش تقاضای آب و افت شدید آب های زیرزمینی، مدیریت پایدار این منابع از اهمیت شایانی برخوردار است. پیش بینی سطح ایستابی با استفاده از مدل های ریاضی و آماری می تواند کمک قابل توجهی به برنامه ریزی و تصمیم گیری های مناسب جهت تأمین آب در درازمدت، داشته باشد. در این مطالعه تلاش شده است تا سطح آب های زیرزمینی با استفاده از شبکه ی عصبی گرادیان دیسکنت و تابع انتقال Hyperbolic Tangent پیش بینی شود. مدل تابع انتقال Tanh با تعداد 40 نرون در لایه پنهان با ضریب همبستگی 99/0 و مجذور مربعات خطا 01/0 برای پیش بینی سطح ایستابی پیاده سازی شد. با تعمیم این مدل به ده چاه مشاهده ای و برون یابی در محیط سامانه ی اطلاعات جغرافیایی، مدل مکانی پیوسته سطح ایستابی در دشت سرخون برای سال 1400 تخمین زده شد. نتایج نشان داد که سطح ایستابی در قسمت های غربی دشت با مقدار 98/72 متر بیشترین و در بخش شرقی دشت با توجه به تراکم جمعیتی بیشتر مقدار با 72/18 متر کمترین سطح ایستابی را خواهند داشت. با توجه به میزان خطای پایین مدل، می توان نتیجه گرفت که با اجرای این مدل در دیگر حوزه ها می توان پیش بینی صحیحی از سطح آب های زیرزمینی به دست آورد و در برنامه ریزی و مدیریت پایدار آب های زیرزمینی از آن استفاده نمود

بررسی و شناخت تغییرات اقلیمی رخ داده در نواحی مختلف می تواند شناختی از تغییرات اقلیمی محتمل در آین ده را به دست دهد. یکی از راه های شناخت تغییرات احتمالی عناصر اقلیمی در آینده استفاده از مدل های اقلیمی موجود و ریز مقیاس نمایی آنهاست. در این پژوهش بارش و رواناب حوضه ی آبریز رود زرد، ریزمقیاس نمایی و برای دوره ی 2100-2006 شبیه سازی گردید. برای این منظور از سناریوهای RCP خروجی مدل CanESM2 استفاده شد. دوره ی پایه ی مورد استفاده برای این کار 2005-1976 می باشد. برای ریزمقیاس نمایی بارش و رواناب حوضه ی آبریز رود زرد از داده های بارش روزانه ایستگاه باغملک و رواناب ایستگاه ماشین و روش شبکه ی عصبی مصنوعی بهره گرفته شد. با استفاده از روش حذف پس رونده، متغیرهای میانگین فشار سطح دریا، ارتفاع ژئوپتانسیل تراز 500 هکتوپاسکال و میانگین دما در ارتفاع نزدیک سطح زمین به عنوان متغیرهای پیش بینی کننده انتخاب شد. راستی آزمایی الگو با نمایه های  و  انجام پذیرفت. در نهایت، معماری شبکه با الگوریتم قانون پسرو بیزی و با سه لایه ی پنهان به عنوان شبکه ی بهینه انتخاب شد. نتایج نشان دهنده ی روند کاهشی بارش سالانه برآورد شده در 95 سال آی نده بر اساس هر سه سناریو می باشد. همچنین افزایش بارش در ماه های فصل گرم و کاهش بارش در ماه های فصل سرد مورد انتظار است. به عبارت دیگر می توان افزایش بارش های محلی (احتمالاً همرفتی) ناشی از افزایش دما در دوره های آینده را محتمل دانست. رواناب حاصل از بارش نیز در ماه های سرد، کاهش و در ماه های گرم با صرف نظر از تأثیر دما و پوشش گیاهی، افزایش را تجربه خواهد کرد.