داده های پرت

در برخی از فرآیندها، کیفیت محصولات یا عملکرد فرآیند به وسیله رابطه بین دو یا چند متغیر توصیف می شود. این رابطه می تواند خطی ساده، خطی چندگانه، چندمتغیره، غیرخطی و لجستیک باشد که به اصطلاح به آن پروفایل گفته می شود. برخی از روش های توسعه داده شده در پایش پروفایل مرتبط با پایش پروفایل های لجستیک هستند. همچنین حضور داده های پرت درون داده ها سبب می شود تا پارامترهای پروفایل به درستی تخمین زده نشوند. در این مقاله روش جدید حداکثر درست نماییِ وزنی مبتنی بر رویکرد استوار برای تخمین پارامترهای پروفایل های لجستیک در فاز 1 ارائه شده است تا اثر داده های پرت روی عملکرد آماری نمودار کنترلT2 برمبنای احتمال خطای نوع 1 برای پایش پروفایل های لجستیک کاهش یابد. عملکرد روش پیشنهادی با استفاده از مثال عددی بررسی و نتایج آن با روش حداکثر درست نمایی مقایسه شده است. نتایج نشان می دهد روش پیشنهادی بهتر از روش حداکثر درست نمایی براساس توان نمودار کنترل T2 عمل می کند.

نقش مؤثر بازار سهام در رشد و توسعه اقتصادی بر کسی پوشیده نیست، این بازار با تجهیز منابع و پس اندازهای خُرد چرخه سرمایه گذاری و تولید را در اقتصاد به حرکت در می آورد. با گسترش بازارهای مالی و شکل گیری رابطه پویای بین بازارها؛ تعاملات بین بازارهای مالی از جمله تعاملات بازار سرمایه با بازار ارز، بیش ازپیش مورد توجه محققان قرار می گیرد. در این پژوهش تعاملات بازار سهام با بازار ارز در ایران مورد تجزیه و تحلیل قرار گرفته و با توجه به این موضوع که سری های مالی عمدتاً با معضل وجود داده های پرت مواجه هستند از روش رگرسیون کوانتیل در بررسی این تعاملات استفاده شده است. از ویژگی های مدل رگرسیون کوانتیل استحکام است، به این معنا که نتایج برآورد به مشاهدات دورافتاده و نیز نقض فرض های مدل در ارتباط با داده های متغیر وابسته، حساس نیست. با استفاده از داده های روزانه (پنج روز در هفته) در بازه زمانی 10 ساله ۱۳9۷-۱۳8۷ مشخص شد که تعاملات بازار ارز و بازار سهام در دهک های مختلف بازدهی سهام متفاوت است. در دهک های میانی و پایینی بازدهی سهام هیچ رابطه معناداری بین این دو بازار تأیید نشد، اما در دهک های بالایی (یعنی در شرایط رونق بازار سهام) یک رابطه مثبت و معنادار بین این دو بازار شکل می گیرد.

اندازه گیری و یا محاسبه بیشینه شتاب ناشی از زمین لرزه (Peak Ground acceleration, PGA) به عنوان یکی از پارامترهای اساسی جنبش نیرومند زمین، از دغدغه های مهم محققین علوم زمین است. کمیت مذکور از روشهای مبتنی بر داده های میرایی و زلزله های رخ داده در محل تهیه شده و در محاسبات تحلیل خطر زمین لرزه مورد استفاده واقع می شود. در پهنه های وسیع جغرافیایی و یا در شرایطی که تاسیس ایستگاههای دائمی یا موقت شبکه میسر نباشد، رویکردهای مبتنی بر یادگیری ماشین به عنوان یک راه حل جایگزین مورد استفاده قرار می گیرند. در راستای افزایش دقت شبکه عصبی در مسئله پیش بینی بیشینه شتاب زمین، با استفاده از تحلیل شناسایی داده های پرت یا نامتجانس، داده های ورودی شبکه یادگیرنده تفکیک شده و سپس فرآیند آموزش و تعمیم شبکه انجام شده است. این رویکرد باعث کاهش خطای شبکه انفیس شده، چنانچه خطای جذر میانگین مربعات 36 درصد بهبود داشته است. با استناد به نتیجه مذکور، داده های طول و عرض جغرافیاییِ رومرکز، عمق و بزرگای مربوط به 1571 رکورد ثبت شده در شبکه شتاب نگاری کشوری به همراه داده های مربوط به میانگین سرعت موج مورد استفاده قرار گرفت تا شبکه انفیس آموزش داده شود. سپس، شبکه آموزش دیده، جهت ارزیابی کارآیی روش، بر روی داده های زلزله مورموی، 1393، در استان ایلام تعمیم داده شد تا نقشه پهنه بندی مقادیر بیشبینه شتاب، در پیرامون رومرکز زلزله محاسبه گردد. بررسی خروجی ها نشان می دهد که نقشه بدست آمده با گزارش رسمی پژوهشگاه بین المللی زلزله شناسی و مهندسی زلزله تطابق داشته و از روش ارائه شده می توان به عنوان یک روش جایگزین در پیش بینی بیشینه شتاب ناشی از زلزله اقدام نمود.

دیابت، به گروهی از اختلالات متابولیکی گفته می شود که نتیجه عدم کنترل قند خون است. تشخیص به موقع و در ادامه کنترل این بیماری به خوبی باعث کاهش اثرات ناشی از آن مثل رتینوپاتی دیابتی، گرفتگی قلبی و عروقی سکته های مغزی و غیره می شود. محققان تا به امروز تلاش های بسیاری در این زمینه کرده اند؛ اما اغلب این مدل ها یا مبتنی بر روش های یادگیری ماشین ساده و یا بر این فرض استوار هستند که داده های دیابت در دسترس متوازن هستند. از اینرو، در این مقاله یک مدل تشخیص بیماری دیابت مبتنی بر شبکه های عصبی بازگشتی عمیق و الگوریتم بیش نمونه گیری SMOTE ارائه شده است. در این مدل چندین مرحله پیش پردازش شامل مقدار دهی به مقادیر از دست رفته، حذف داده های پرت و سپس بیش نمونه گیری انجام شده است. از سه شبکه عصبی عمیق بازگشتی با سه واحد پنهان بازگشتی شامل LSTM, GRU و BiLSTM برای تشخیص استفاده شده است. نتایج مدل ارائه شده بر روی پایگاه داده Pima حاکی از آن است که میانگین صحت در 10 اجرای مختلف در LSTM و GRU و BiLSTM به ترتیب 91.21 % ، 89.61 و 90.99 % است. نتایج مدل بازگشتی ما نشان می دهد، شبکه های عصبی عمیق در مقایسه با روش های یادگیری ماشین عملکرد بسیار موفق تری دارند.