مطالب مرتبط با کلیدواژه

شبکه عصبی


۴۱.

روند ارزیابی تغییرات منیزیم با استفاده از شبکه عصبی و سیستم اطلاعات مکانی در روستاهای شهرستان گنبد (استان گلستان)(مقاله علمی وزارت علوم)

نویسنده:
منبع: سپهر دوره بیست و پنجم پاییز ۱۳۹۵ شماره ۹۹

کلیدواژه‌ها: شبکه عصبی سیستم اطلاعات مکانی منیزیم آلودگی آب های زیرزمینی شرق استان گلستان

حوزه‌های تخصصی:
  1. حوزه‌های تخصصی جغرافیا جغرافیای طبیعی ژئومورفولوژی
  2. حوزه‌های تخصصی جغرافیا فنون جغرافیایی سنجش از راه دور GIS
  3. حوزه‌های تخصصی جغرافیا فنون جغرافیایی روش های کمی در جغرافیا
تعداد بازدید : ۸۲۷ تعداد دانلود : ۵۱۳
چاه ها یکی از اصلی ترین منابع تأمین کننده آب شرب، کشاورزی و صنعت می باشند. کیفیت آب از لحاظ شرب نیز در بین پارامترهای کیفی مهم ترین پارامتر است. بنابراین بررسی و پیش بینی آلودگی ها از اهداف مدیران و برنامه ریزان می باشد.در این تحقیق از شبکه عصبی مصنوعی و سیستم اطلاعات مکانی برای تعیین آلودگی پارامتر منیزیم در آب های روستاهای گنبد از استان گلستان در چهار سال متوالی 87 و 88 و 89 و 90 استفاده شده است. در این مدل شبکه عصبی مصنوعی در ساختار پرسپترون، با تعداد لایه های پنهان و نرون های مختلف، مورد ارزیابی قرار گرفته اند. در حال حاضر آلودگی آب های زیرزمینی به دلیل فعالیت های شیمیایی و صنعتی در حال افزایش است. بنابراین نیاز به شناسایی مناطق آسیب پذیر منطقه برای جلوگیری از آلودگی آب های زیرزمینی است. همچنین در این تحقیق برای تعیین آلودگی آب های زیرزمینی از نقشه هایی همچون: توپوگرافی، زمین شناسی، موقعیت چاه ها، شیب، و ... در محیط های مکانی استفاده شد. پس از تعیین میزان آلودگی با استفاده از مدل های شبکه عصبی، خروجی مدل در محیط مکانی به نقشه های آلودگی دست پیدا کرده ایم. همچنین با مشاهده ی نقشه های آلودگی و داده های موجود در سال های ذکر شده می توان نتیجه گرفت که میزان آلودگی کم بود و این آلودگی نمی تواند خطرآفرین باشد.
۴۲.

ارزیابی شکنندگی مالی بانک ها با بکارگیری روش شبکه عصبی

نویسنده:
منبع: سیاست گذاری پیشرفت اقتصادی سال سوم تابستان ۱۳۹۴ شماره ۲ (پیاپی ۷)

کلیدواژه‌ها: شبکه عصبی ریسک نقدینگی ریسک اعتباری شبکه بانکی شکنندگی مالی

حوزه‌های تخصصی:
تعداد بازدید : ۹۴۹ تعداد دانلود : ۴۶۸
پیش بینی تداوم فعالیت یک بانک در دوره های آتی، یکی از عناصر مهم در تصمیم گیری ناظران بانکی بوده و در این میان، انتخاب متغیر پیش بینی کننده و روش مناسب، به عنوان یکی از مسائل چالش برانگیز در ادبیات پیش بینی شکنندگی مالی مطرح بوده است. یکی از پیشرفته ترین مدل های پیش بینی کننده شکنندگی مالی، مدل شبکه عصبی است. در نمونه مورد بررسی در این مقاله، ابتدا با بهره گیری از ادبیات نظری و تجربی، شاخص شکنندگی مالی متناسب با ساختار شبکه بانکی کشور تعریف شده و سپس با به کارگیری آزمون t معنی داری نسبت های مالی مورد نظر و بر اساس آماره لوین میانگین دو نمونه در سطح اطمینان 95 درصد، مورد آزمون قرار گرفته و سپس با انتخاب نسبت های مالی معنی دار که قدرت توضیح دهی در مدل داشته باشند، مدل شبکه عصبی طراحی گردید. برای آزمون دقت و صحت مدل از جدول طبقه بندی و منحنی ROC استفاده شد. نتایج بررسی بیانگر قدرت پیش بینی 96 درصدی مدل طراحی شده است. همچنین بر اساس یافته های این مقاله، ریسک اعتباری و ریسک نقدینگی، از مهمترین عوامل توضیح دهنده شکنندگی مالی هستند.
۴۳.

شناسایی و تحلیل عامل های مهم در برونداد علمی دانشگاه ها با استفاده از شبکه عصبی(مقاله علمی وزارت علوم)

نویسنده:
منبع: پژوهشنامه پردازش و مدیریت اطلاعات دوره ۳۲ پاییز ۱۳۹۵ شماره ۱ (پیاپی ۸۷)

کلیدواژه‌ها: شبکه عصبی دانشگاه علم سنجی سیاست گذاری علم برونداد علمی

حوزه‌های تخصصی:
تعداد بازدید : ۹۲۲ تعداد دانلود : ۵۰۸
رای تحقق نظام پژوهشی مطلوب، سیاستگذاری و برنامه ریزی کلان ضرورت دارد. یکی از اصلی ترین بروندادهای این پژوهش دانش استخراج شده از داده های موجود در رابطه با نظام پژوهشی کشور است که پیش نیاز سیاست گذاری علم و فناوری در دانشگاه ها است. هدف اصلی پژوهش حاضر شناسایی و تحلیل عامل های مهم در برونداد علمی دانشگاه هاست. جامعه پژوهش حاضر شامل دانشگاه های وابسته به وزارت علوم، تحقیقات و فناوری است، و داده های مورد نیاز پژوهش از گزارش های پایگاه ارزیابی خرد علم و فناوری و آموزش عالی هیئت نظارت و ارزیابی فرهنگی(سامانه رصد علمی) استخراج شده است. برای تحلیل داده ها از خوارزمیک های طبقه بندی شبکه عصبی چندلایه پرسپترون و شبکه عصبی شعاع مبنا استفاده شده است. یافته های پژوهش نشان داد که در میان 15 شاخص مورد بررسی، شاخص تعداد اعضای هیئت علمی تمام وقت، تعداد پایان نامه های دفاع شده، بودجه پژوهشی و تعداد اعضای هیئت علمی بورسیه و طرح سربازی به ترتیب اهمیت بیشتری نسبت به سایر شاخص ها داشته اند. در میان چهار بُعد مورد مطالعه نیز عامل نیروی انسانی بیشترین اهمیت را در تولید علم دانشگاه های کشور داشته است. پس ازآن عامل آموزشی به لحاظ اهمیت در تولید علم دانشگاه ها در جایگاه دوم قرار دارد. عامل مالی در رتبه سوم و نهایتاً عامل ساختاری در رتبه چهارم قرار گرفتند.
۴۴.

پیش بینی ارزش مشتریان جدید بانک بر مبنای مدل آر.اف.ام با استفاده از درخت تصمیم بهبودیافته در راستای کاهش حداکثر حافظه مورد نیاز

نویسنده:
منبع: مطالعات مدیریت فناوری اطلاعات سال پنجم پاییز ۱۳۹۵ شماره ۱۷

کلیدواژه‌ها: خوشه بندی شبکه عصبی ارزش مشتری درخت تصمیم مدل آر.اف.ام

حوزه‌های تخصصی:
تعداد بازدید : ۶۷۱ تعداد دانلود : ۴۸۲
یکی از مهم ترین فاکتورهای بانکداری در راستای کاهش هزینه ها و افزایش سودآوری، مدیریت و ارزیابی مشتریان با ارزش می باشد. در دهه های اخیر محققان بسیاری به تجزیه و تحلیل ویژگی های مشتریان به منظور تعیین ارزش آن ها با استفاده از تکنیک های داده کاوی پرداخته اند و درخت تصمیم یکی از پرکاربردترین الگوریتم های داده کاوی در این زمینه است. از آن جایی که این الگوریتم برای ساخت درخت، تنها یک ویژگی را در یک زمان برای آزمون در هر گره در نظر گرفته و وابستگی بین ویژگی ها را نادیده می گیرد، بنابراین این مسئله باعث افزایش ماکزیمم حافظه مورد نیاز می شود. به منظور برطرف نمودن این مشکل، در این پژوهش روشی برای بهبود درخت تصمیم با استفاده از شبکه عصبی برای کشف وابستگی بین ویژگی ها با رویکرد کاهش ماکزیمم حافظه مورد نیاز پیشنهاد شده که در کنار مدل آر.اف.ام برای پیش بینی ارزش مشتریان جدید استفاده می شود. نتایج آزمایش ها نشان می دهد که روش پیشنهادی با استفاده از وابستگی بین ویژگی ها می تواند ارزش مشتریان جدید را با ماکزیمم حافظه مورد نیاز کم تری نسبت به روش پایه پیش بینی کند.
۴۵.

پیش بینی ریسک ورشکستگی مالی با استفاده از مدل ترکیبی در بورس اوراق بهادار تهران(مقاله علمی وزارت علوم)

نویسنده:
منبع: راهبرد مدیریت مالی سال پنجم بهار ۱۳۹۶ شماره ۱۶

کلیدواژه‌ها: شبکه عصبی مدل ترکیبی متغیرهای حسابداری ریسک ورشکستگی مالی متغیرهای بازاری

حوزه‌های تخصصی:
تعداد بازدید : ۱۵۲۷ تعداد دانلود : ۸۲۵
پیش بینی ریسک ورشکستگی مالی یکی از مهمترین موضوعات در حوزه تصمیم گیری مالی شرکت ها است. از این جهت، تاکنون مدل های متنوعی که هرکدام از نظر متغیرهای پیش بینی کننده و تکنیک ها متفاوتند، ارائه شده اند. استفاده از ترکیب متغیرهای حسابداری و بازاری در مدل به عنوان ورودی، قطعاً بر نتایج و دقت پیش بینی ها تاثیر مستقیمی خواهد داشت. در این مطالعه، پیش بینی با استفاده از مدل ترکیبی (استفاده از متغیرهای حسابداری و بازاری ) و تکنیک شبکه های عصبی از نوع مدل پرسپترون چندلایه (MLP) صورت پذیرفت. نمونه پژوهش شامل 90 شرکت پذیرفته شده در بورس اوراق بهادار تهران (31 شرکت ورشکسته طبق ماده 141 قانون تجارت ایران و 59 شرکت غیرورشکسته) طی سال های 1393-1386 می باشد. نتایج پژوهش نشان می دهد که مدل ترکیبی (ترکیب متغیرهای حسابداری و بازاری) با استفاده از تکنیک شبکه عصبی، نسبت به هر کدام از دو مدل حسابداری و بازاری از دقت بالاتری در پیش بینی ریسک ورشکستگی مالی برخوردار است. همچنین، مدل بازاری نیز دقت بیشتری نسبت به مدل حسابداری دارد.
۴۶.

بهبود دقت تعیین موقعیت در شبکه بی سیم مبتنی برکشف الگو در محیط مسقف(مقاله علمی وزارت علوم)

نویسنده:
منبع: سپهر دوره ۲۶ بهار ۱۳۹۶ شماره ۱۰۱

کلیدواژه‌ها: شبکه عصبی GIS سیستم اطلاعات مکانی همراه اثر انگشت همسایگی سیستم تعیین موقعیت محیط مسقف نزدیکترین RMSE

حوزه‌های تخصصی:
تعداد بازدید : ۷۳۴ تعداد دانلود : ۴۵۶
با وجود گستردگی استفاده از سیستم تعیین موقعیت جهانی GPS ، این سیستم برای محیط های بسته و مسقف قابل استفاده نیست.روش های مختلفی برای توسعه ی سیستم تعیین موقعیت محیط های مسقف ارائه شده که عموماً بر اساس دریافت امواج رادیویی ارسالی از فرستنده هایی با موقعیت مشخص هستند. زمان دریافت سیگنال، اختلاف زمان دریافت سیگنال، زاویه دریافت و اثرانگشت مکانی از جمله این روش ها هستند. اما توجه به این نکته ضروری است که برخی از این روش ها برای محیط داخل که محیط پیچیده ای است، مناسب نیستند. روش های مبتنی بر زمان دریافت سیگنال، اختلاف زمان دریافت سیگنال و زاویه دریافت سیگنال برپایه ی تکنیک های مثلث بندی هستند که نیاز به دید مستقیم فرستنده و گیرنده خواهد بود. همچنین سنجش دقیق زمان و زاویه سیگنال دریافتی نیاز به ابزارهای خاص دارند که در بیشتر مواقع گران و پرهزینه هستند. درنهایت روش اثرانگشت مکانی می تواند به عنوان روشی بهینه مورد استفاده قرار گیرد. روش اثرانگشت مکانی به علت عدم نیاز به زیرساخت ویژه و امکان ایجاد ساده تر، به عنوان یک روش رایج مورد استفاده قرار می گیرد. روش اثر انگشت مکانی برای تخمین موقعیت دستگاه همراه کاربر از توان سیگنال دریافتی استفاده می کند. برای این روش الگوریتم های مختلفی جهت کشف الگوی مکانی نقاط نمونه به کار برده می شود که از آنها به روش های احتمالاتی، روش نزدیک ترین همسایگی و الگوریتم شبکه عصبی مصنوعی می توان اشاره کرد.در این مقاله این سه روش با یکدیگر مقایسه شده و در نهایت یک روش بهبود یافته نزدیک ترین همسایگی ارائه شده است. با مقایسه روش پیشنهادی با سایر روش ها، برتری روش پیشنهادی تأیید می شود.
۴۷.

کاربرد شبکه های عصبی در پژوهش های داده بنیاد(مقاله علمی وزارت علوم)

نویسنده:
منبع: روش شناسی علوم انسانی سال ۲۲ پاییز ۱۳۹۵ شماره ۸۸
تعداد بازدید : ۸۳۱ تعداد دانلود : ۴۷۸
در سال های اخیر در روش شناسی علوم انسانی تلاش زیادی برای ترکیب روش های پژوهشی صورت گرفته است. روش داده بنیاد و شبکه های عصبی مصنوعی از روش هایی هستند که در سال های اخیر با استقبال تعداد زیادی از پژوهشگران مواجه شده اند. این پژوهش با هدف ترکیب این دو روش مهم پژوهشی انجام شده است. برای دستیابی به این هدف (ترکیب این دو روش)، یک چارچوب عملیاتی پیشنهاد شده است. به این ترتیب که در این چارچوب پیشنهادی، کدهای باز استخراج شده از روش داده بنیاد توسط روش شبکه های عصبی مصنوعی، در سازه هایی دسته بندی می شوند. این در حالی است که در روش تئوری داده بنیاد این کدهای باز بر اساس نظر پژوهشگر در سازه ها دسته بندی می شوند. برای اجرایی کردن ایده ترکیب این دو روش، یک چارچوب اجرایی پیشنهاد و این چارچوب درباره خلاقیت سازمانی به کار گرفته شده است. نتایج نشان می دهد که با به کارگیری این چارچوب می توان دسته بندی کدهای باز استخراج شده از روش تئوری داده بنیاد را با رویکردی کمّی انجام داد
۴۸.

پیش بینی قیمت سهام با رویکرد ترکیبی شبکه عصبی مصنوعی و الگوریتم رقابت استعماری مبتنی بر تئوری آشوب(مقاله علمی وزارت علوم)

نویسنده:
منبع: راهبرد مدیریت مالی سال پنجم پاییز ۱۳۹۶ شماره ۳ (پیاپی ۱۸)

کلیدواژه‌ها: شبکه عصبی پیش بینی قیمت سهام الگوریتم رقابت استعماری مبتنی بر تئوری آشوب

حوزه‌های تخصصی:
تعداد بازدید : ۸۰۶ تعداد دانلود : ۱۲۱۳
یکی از گزینه های موجود جهت سرمایه گذاری نقدینگی، بورس و اوراق بهادار می باشد. با توجه به ارتباطات غیرخطی موجود میان متغیرهای موثر بر قیمت سهام، شبکه های عصبی مصنوعی یکی از مناسب ترین رویکردهای موجود جهت پیش بینی قیمت سهام می باشند. در این مقاله سعی شده تا از طریق ترکیب نگاشت های آشوبی و الگوریتم رقابت استعماری، زاویه حرکتی مستعمرات به سمت استعمارگر اصلاح شده و به این ترتیب احتمال قرارگیری در دام نقطه بهینه محلی تا حد ممکن کاهش یابد. هدف این مقاله معرفی و مقایسه عملکرد رویکرد پیشنهادی با سایر الگوریتم های بهینه سازی جستجوی پیشین می باشد. از اینرو با استفاده از اطلاعات قیمتی روزانه سهام شرکت ایران خودرو بین سال های 1389 تا 1395 به آموزش شبکه عصبی با الگوریتم های بهینه سازی مختلف پرداختیم. جهت ارزیابی میزان عملکرد رویکردها، از سه دیدگاه: میزان دقت پیش بینی(آماره های اندازه گیری خطاR2,RMSE)، میزان حافظه مصرفی و زمان اجرایی استفاده شد، نتایج حاکی از آن است که رویکرد پیشنهادی از عملکرد بهتری نسبت به سایر رویکردهای پیشین برخوردار می باشد.
۴۹.

برآورد احتمال نکول مشتریان حقیقی بانک با استفاده از روش شبکه های عصبی (مطالعه موردی: بانک پاسارگاد)

نویسنده:
منبع: مطالعات مالی و بانکداری اسلامی سال سوم پاییز و زمستان ۱۳۹۶ شماره ۶ و ۷

کلیدواژه‌ها: پیش بینی شبکه عصبی داده کاوی ریسک اعتباری

حوزه‌های تخصصی:
تعداد بازدید : ۹۴۲ تعداد دانلود : ۱۱۰۷
شناسایی عوامل اصلی نکول و استفاده از این اطلاعات در تصمیم گیری برای پرداخت تسهیلات، می تواند در کاهش هزینه های بانک نقش بسیار موثری داشته باشد. تحقیق حاضر با هدف شناسایی عوامل موثر بر ایجاد نکول و پیش بینی احتمال نکول متقاضیان حقیقی بانک پاسارگاد، با استفاده از روش شبکه های عصبی انجام شده است. نمونه مورد بررسی، شامل اطلاعات پرونده تسهیلات 470 مشتری، از جامعه آماری 25342 مشتری شعب بانک پاسارگاد شهر تهران، در سال های 1392 تا 1393 است. نتایج اجرای مدل نشان می دهد که روش شبکه های عصبی می تواند با دقت 92 درصد پیش بینی مناسبی از احتمال نکول متقاضیان داشته باشد. طبق نتایج این روش، متغیرهایی چون سوء سابقه مالی و نوع وثیقه، تاثیر زیادی بر روی پیش بینی داشته اند.
۵۰.

گزینش پرتفوی بهینه سهام شرکت های صنایع غذایی در بورس اوراق بهادار تهران با استفاده از روش پیش بینی ترکیبی: کاربرد الگوی میانگین- واریانس- چولگی(مقاله علمی وزارت علوم)

نویسنده:
منبع: اقتصاد کشاورزی دوره ۱۱ زمستان ۱۳۹۶ شماره ۴ (پیاپی ۴۴)

کلیدواژه‌ها: بهینه سازی سبد سهام شبیه سازی مونت کارلو شبکه عصبی برنامه ریزی آرمانی بازار سرمایه

حوزه‌های تخصصی:
تعداد بازدید : ۸۱۸ تعداد دانلود : ۶۰۸
هدف از انجام تحقیق حاضر، ارائه روشی برای گزینش پرتفوی بهینه سهام شرکت های صنایع غذایی در بورس اوراق بهادار تهران با استفاده از الگوی میانگین- واریانس- چولگی با شش تابع هدف می باشد. جامعه آماری این مطالعه شامل 14 شرکت از گروه محصولات غذایی و آشامیدنی بجز قند و شکر و داده های مورد نیاز نیز شامل قیمت های روزانه سهام این شرکت ها منتهی به بهمن سال 1394 می باشد. برای این منظور ابتدا از سه روش مختلف پیش بینی برای تخمین قیمت سهام شرکت های صنایع غذایی استفاده شده و با توجه به خطای پیش بینی، به هر روش وزنی متناسب با قدرت تخمین آن داده شده است. برای اطمینان از بهینه بودن اوزان بدست آمده، قیمت های بدست آمده از روش ترکیبی با قیمت های بدست آمده از هر یک روش های پیش بینی بوسیله ی معیارهای سنجش خطا مورد مقایسه قرار گرفته اند. نتایج حاکی از برتری روش ترکیبی در پیش بینی قیمت ها با رتبه ی 71/1 می باشد. در ادامه بر اساس اوزان بدست آمده شش معیار میانگین، واریانس و چولگی مرتبط با بازده و خطای پیش بینی ترکیبی بدست آمده است. الگوی میانگین- واریانس- چولگی ساخته شده بوسیله برنامه ریزی آرمانی حل شده است. در انتها پرتفوی بدست آمده از الگوی میانگین- واریانس- چولگی با پرتفوی بدست آمده از الگوی میانگین- واریانس مقایسه شده است. نتایج نشان دهنده کارایی بالای الگوی میانگین- واریانس- چولگی در ایجاد یک سبد سهام بهینه با بازده بالایی نسبت به الگوی میانگین- واریانس می باشد. به طوری که میانگین بازدهی روزانه در طول یک ماه برای الگوی میانگین- واریانس- چولگی 52/0 درصد و برای الگوی میانگین- واریانس 32/0 درصد می باشد.
۵۱.

بهبود عملکرد موجودی مبتنی بر پیش بینی تقاضا با خوشه بندی مشتریان(مقاله پژوهشی دانشگاه آزاد)

نویسنده:
منبع: مدیریت صنعتی (آزاد سنندج) سال دوازدهم پاییز ۱۳۹۶ شماره ۴۱

کلیدواژه‌ها: پیش بینی داده کاوی شبکه عصبی مدیریت موجودی هوش مصنوعی

حوزه‌های تخصصی:
تعداد بازدید : ۸۶۹ تعداد دانلود : ۴۱۱
مدیریت صحیح و کنترل بهتر موجودی اقلام فروشگاه مواد غذایی، یکی از ضروری ترین و مهم ترین اهداف مدیران فروشگاه های مواد غذایی می باشد. در این مطالعه تلاش می شود تا دانش تقسیم بندی مشتریان را بر اساس ویژگی های مختلف به عنوان ورودی در پیش بینی تقاضای یک خرده فروشی ارائه دهد. هدف این مقاله ارائه یک مدل پیش بینی برای خرده فروشان بر اساس خوشه بندی مشتریان، به منظور بهبود عملکرد موجودی می باشد. خوشه بندی مشتریان با الگوریتم ژنتیک در نرم افزار MATLAB R2016a صورت گرفته است. مدل ارایه شده برای پیش بینی تقاضای پنج قلم کالای یک سوپرمارکت در شهر گرگان به کار گرفته شده است. در این مقاله، جهت پیش بینی از مدل های ARIMA، ARIMA فصلی، شبکه عصبی پیشخور Mlp و شبکه عصبی GMDH استفاده شده است. مدلسازی این مدل ها در نرم افزار متلب صورت گرفته است. نتایج نشان داد که شبکه عصبی GMDH با خوشه بندی مشتریان کمترین خطای پیش بینی را دارد. مدل پیش بینی ارایه شده با سیاست کنترل دوره ای سطح موجودی منجر به کاهش روزهای مواجه با کمبود و افزایش سطح خدمت به مشتری می شود. خرده فروشان می توانند مدل ارایه شده را برای پیش بینی تقاضای اقلام گوناگون به منظور بهبود عملکرد موجودی و سودآوری عملیات مورد استفاده قرار دهند.
۵۲.

سیستم شناسایی و طبقه بندی موجودیت های اسمی در متون زبان فارسی بر پایه شبکه عصبی(مقاله علمی وزارت علوم)

نویسنده:
منبع: پژوهشنامه پردازش و مدیریت اطلاعات دوره ۳۴ پاییز ۱۳۹۷ شماره ۱ (پیاپی ۹۵) 473-486

کلیدواژه‌ها: پردازش زبان طبیعی شناسایی موجودیت های اسمی شبکه عصبی نمایش برداری کلمات

حوزه‌های تخصصی:
تعداد بازدید : ۶۲۷ تعداد دانلود : ۳۲۱
شناسایی موجودیت های اسمی به عنوان یک وظیفه پایه ای در حوزه پردازش زبان طبیعی و به طور کلی زیر مجموعه ای از استخراج اطلاعات است. در فرآیند شناسایی موجودیت های اسمی به دنبال مکان یابی عناصر اسمی در متن و دسته بندی آن ها به رده هایی از پیش تعیین شده از قبیل اسامی اشخاص، سازمان ها، مکان ها، عبارت های زمانی، و غیره هستیم. هرچند پژوهش هایی گسترده در توسعه سیستم های شناسایی موجودیت های اسمی در حوزه زبان انگلیسی درطی سال های پیشین انجام گرفته است، متاسفانه با توجه به مشکلات موجود، مانند نبود پیکره های متنی نشانه گذاری شده استاندارد در زبان فارسی، پژوهش های بسیار محدودی در زبان فارسی وجود دارد. در این مقاله با بررسی پژوهش های انجام گرفته در دیگر زبان ها و با بهره گیری از روش های تازه در این حوزه همانند استفاده از نمایش بردارهای عددی برای کلمات، به توسعه سیستمی برای شناسایی موجودیت های اسمی بر پایه شبکه عصبی پرداخته شده است. نتایج بدست آمده از مدل پیشنهادی نشان دهنده این واقعیت است که استفاده از مدل های نمایش بردارهای عددی برای کلمات در زبان فارسی، افزون بر مرتفع کردن مشکل انتخاب ویژگی ها، می تواند به توسعه سیستمی کارآمد منجر شود که کم ترین وابستگی را نیز به دامنه دارد.
۵۳.

پیش بینی میزان رشد ازدواج وطلاق در استان خراسان جنوبی به کمک شبکه عصبی(مقاله علمی وزارت علوم)

نویسنده:
منبع: جمعیت پاییز و زمستان ۱۳۹۵ شماره ۹۷ و ۹۸ 69-85

کلیدواژه‌ها: نرخ رشد ازدواج نرخ رشد طلاق پیش بینی شبکه عصبی آمار حیاتی استان خراسان جنوبی

حوزه‌های تخصصی:
تعداد بازدید : ۵۰۱ تعداد دانلود : ۲۴۶
پیش بینی های جمعیت در زمینه های مختلف از جمله ارزیابی نیازهای ملی یا منطقه ای در زمینه ی مشاغل جدید، معلم ها، مدارس، پزشکان، پرستاران، سکونت گاه های شهری و یا شناخت نیازهای غذایی شمار افرادی که باید به آن ها خدماتی ارائه شود، مفید واقع می شوند. بنابراین، پیش بینی های جمعیت نقطه ی شروع پیش بینی هایی است که مورد نیاز آینده هستند. امروزه تجزیه و تحلیل سری های زمانی به صورت گسترده در علوم مختلف مورد استفاده واقع می شود. از طرفی، پیش بینی رفتار در سیستم های پیچیده با استفاده از روش های کلاسیک و تحلیلی امری دشوار و در برخی موارد غیرممکن به نظر می رسد، از اینرو روش های غیرکلاسیک که از ویژگی هایی همچون هوشمندی برخوردار هستند، استفاده می شود. شبکه های عصبی، یکی از روش هایی است که در مسائلی مانند الگوسازی، شناخت الگو، خوشه بندی و پیش بینی مورد استفاده قرار می گیرد. در امر پیش بینی جمعیت وقایع چهارگانه حیاتی از جمله، تولد، وفات، ازدواج و طلاق دخیل هستند، که در این مقاله سعی شده با استفاده از تجزیه و تحلیل داده های سری زمانی با استفاده از شبکه های عصبی میزان ازدواج و طلاق را در سال های اخیر بررسی کرده و به مدل سازی و پیش بینی این میزان در استان خراسان جنوبی در سالهای آتی بپردازیم.
۵۴.

کاربرد شبکه عصبی پرسپترون به شیوه روش شبکه های بیزی در پیش بینی شاخص حقوق مالکیت بر توسعه انسانی در ایران

نویسنده:
منبع: سیاست گذاری پیشرفت اقتصادی سال پنجم تابستان ۱۳۹۶ شماره ۲ (پیاپی ۱۵) 63-80

کلیدواژه‌ها: فضای کسب و کار شاخص بین المللی حقوق مالکیت شبکه عصبی توسعه اقتصادی

حوزه‌های تخصصی:
تعداد بازدید : ۳۷۷ تعداد دانلود : ۴۲۱
تضمین حقوق مالکیت، آزادی جریان های اقتصادی را افزایش می دهد. هدف پژوهش حاضر، بررسی رابطه بین توسعه اقتصادی و حقوق مالکیت است. به منظور رسیدن به توسعه، لزوم توجه به احیا و آماده سازی بسترهای لازم اعم از نظام قضایی و اقتصادی برای احقاق حق احساس می شود. روش پژوهش حاضر، توصیفی و از نوع همبستگی است. در این تحقیق، تأثیر شاخص حقوق مالکیت بر توسعه انسانی کشور ایران طی دوره 95-1387 پیش بینی شده است. ابزار اندازه گیری، داده های سازمان حقوق مالکیت بین المللی و بانک جهانی هستند. جهت آزمون، از روش شبکه های بیزیو تحلیل شبکه عصبی پرسپترون و هوش مصنوعی استفاده شده است. برازش مدل تحقیق که نشان دهنده رابطه بین توسعه اقتصادی و حقوق مالکیت است، مورد تأیید قرار گرفت. همچنین با استفاده از آنالیز حساسیت، مشخص شد محیط حقوقی و سیاسی، حقوق مالکیت فیزیکی و حقوق مالکیت فکری، به ترتیب، بیشترین تأثیر را بر توسعه اقتصادی دارند
۵۵.

مدل سازی تخمین میزان رسوب رودخانه به کمک روش شبکه عصبی مصنوعی (نمونه موردی: رودخانه گلرود)(مقاله علمی وزارت علوم)

نویسنده:
منبع: پژوهش های ژئومورفولوژی کمی سال هفتم پاییز ۱۳۹۷ شماره ۲ (پیاپی ۲۶) 196 - 208

کلیدواژه‌ها: گلرود شبکه عصبی تخمین رسوب رگرسیون خطی MLP RBF

حوزه‌های تخصصی:
تعداد بازدید : ۵۳۸ تعداد دانلود : ۴۰۵
رسوبات رودخانه ای به دو صورت منتقل میشوند: یا این مواد درون جریان آب غوطه ور هستند و همراه با آب در حرکت می باشند که به آنها مواد رسوبی معلق گفته میشود و میزان مواد رسوبی معلق را که در واحد زمان از یک مقطع رودخانه عبور کند، بار معلق مینامند، یا اینکه به یکی از صور لغزش، غلتیدن، پرش حرکت مینمایند که به آنها بار بستر می گویند. شبکه عصبی مصنوعی روشی است که بر پایه شبیه سازی عملکرد مغز انسان ب رای ح ل م سایل متنوع ارایه و از لایه های نرون ورودی، خروجی و میانی و وزنهای مربوط به مقادیر ورودی و بایاس و تابع تحریک تشکیل شده است. منطقه مورد مطالعه در این پژوهش حوضه آبریز رودخانه گِلِرود است. این منطقه در شهرستان بروجرد، در استان لرستان در غرب ایران واقع شده است، پژوهش حاضرازنوع کاربردی ست. بدین صورت که، ابتدا مشخصات زیرحوضه های این رودخانه استخراج شده است این مشخصات شامل مشخصات فیزیکی زیرحوضه ها از جمله مساحت، محیط و طول آبراهه ها و مشخصات مربوط به دبی رودخانه و میزان رسوب آن است. در ادامه با روش های رگرسیون خطی چند متغیره، شبکه عصبی پیش خور چندلایه (MLP) و شبکه عصبی برپایه تابع شعاعی (RBF) به مدل سازی تخمین رسوب پرداخته شده است.پس از محاسبه شاخص هایRMSE وMAE با توجه به این امر که هرچقدر میزان این شاخص ها کمتر باشد مقدار پیش بینی شده به مقادیر واقعی نزدیکتر است بنابراین باتوجه به شواهد حاصله مدل شبکه عصبی مصنوعیMLP دقت بهتری را نسبت به دو مدل دیگر در تخمین میزان رسوب منطقه نشان میدهد. از سوی دیگر با توجه به مقدار شاخصR2 که برای سه مدل محاسبه شده است دقت تخمین مدل به مقدار 0.409 برای مدلMLP محاسبه شده است، مقدارR2 برای این مدل برابر 0.88 است. پس از مدل شبکه عصبی مصنوعیMLP، مدل شبکه مصنوعیRBF نتایج بهتری ارائه می دهد. در این مدل مقدارR2 برابر است با 0.4 که نشان دهنده دقت تخمین حدود نصف مدلMLP است. و در رتبه سوم نیز مدل رگرسیون خطی چند متغیره با مقدارR2 برابر با 0.3 قرار دارد.مدل رگرسیون خطی نیز به علت این امر که تنها روابط خطی بین متغیر ها را در نظر می گیرد دارد بیشترین میزان خطا است.
۵۶.

پتانسیل یابی مناطق توسعه شهری با استفاده از شبکه عصبی مصنوعی (مطالعه موردی: شهر کرمانشاه)(مقاله علمی وزارت علوم)

نویسنده:
منبع: پژوهش های جغرافیایی برنامه ریزی شهری دوره ۶ بهار ۱۳۹۷ شماره ۱ 175 - 196

کلیدواژه‌ها: پتانسیل یابی توسعه شهری شبکه عصبی طبقه بندی MLP

حوزه‌های تخصصی:
تعداد بازدید : ۷۵۹ تعداد دانلود : ۳۸۹
رشد سریع شهرنشینی و توسعه شهری به ویژه در کشورهای درحال توسعه، به درک الگو و فرایندهای پیچیده رشد شهری با روش علمی و کارآمد نیاز دارد. لازمه ایجاد رشد شهری پایدار و برنامه ریزی توسعه شهری، درک الگوهای صحیح رشد شهری است. کرمانشاه نهمین شهر پرجمعیت کشور و یکی از چهار شهر نخست ایران از نظر حادبودن معضل حاشیه نشینی است. هدف این پژوهش، بررسی پتانسیل توسعه شهری در این شهر است. بدین منظور، شبکه عصبی پرسپترون چندلایه (MLP) با الگوریتم آموزش لونبرگ- مارکوات به کار رفت و داده های مؤثر در توسعه شهری به عنوان لایه های ورودی به شبکه تعیین شد. این لایه ها که در سه گروه اجتماعی-اقتصادی، کاربری زمین و بیوفیزیک قرار می گیرند، شامل 16 لایه هستند. در ادامه، پانصد نقطه به عنوان نقاط آموزشی شبکه تهیه و ۱۲ لایه میانی نیز تعیین شدند. مطابق نتایج، با دورشدن از امکانات و مناطق شهری، پتانسیل ها به شدت کاهش پیدا می کنند و بیشتر مناطق دارای پتانسیل توسعه شهری در نزدیک ترین فاصله این امکانات و مناطق شهری قرار دارند. بیشترین مناطق پتانسیل دار توسعه شهری، در جنوب غرب شهر کرمانشاه و در اطراف جاده های اصلی کرمانشاه-اسلام آباد و کرمانشاه-کنگاور واقع است. مناطق شمالی شهر به دلیل ارتفاع و شیب زیاد، پتانسیل اندکی برای توسعه دارند. همچنین ضریب رگرسیون کلی 9۵ درصدی شبکه که حاصل شرکت تمامی داده ها در شبکه است، کارایی زیاد شبکه عصبی پرسپترون چندلایه را در این مطالعه نشان می دهد.
۵۷.

ارزیابی کارایی شرکت های برق منطقه ای ایران با استفاده از تحلیل پوششی داده ها و شبکه های عصبی(مقاله علمی وزارت علوم)

نویسنده:
منبع: مطالعات مدیریت صنعتی سال شانزدهم زمستان ۱۳۹۷ شماره ۵۱ 181 - 206

کلیدواژه‌ها: انتخاب ورودی و خروجی تحلیل پوششی داده ها شبکه عصبی تحلیل پنجره شرکت های برق منطقه ای

حوزه‌های تخصصی:
تعداد بازدید : ۶۳۳ تعداد دانلود : ۶۸۴
انتخاب متغیرهای ورودی و خروجی در تعیین نمرات کارایی تحلیل پوششی داده ها از اهمیت فراوانی برخوردار است. در این پژوهش با استفاده از شبکه عصبی مصنوعی به تعیین ورودی ها و خروجی های شرکت های برق منطقه ای پرداخته شده است. کاربرد شبکه عصبی در انتخاب ورودی ها و خروجی های شرکت های برق منطقه ای امری است که در ادبیات موضوع سابقه نداشته و مزیت اصلی روش پیشنهادی محسوب می شود. به منظور آموزش شبکه عصبی دو لایه MLP، از روش آموزش پس از انتشار خطای ارتجاعی استفاده گردید؛ پس از آموزش شبکه عصبی، عملکرد شبکه عصبی با استفاده از الگوهای تست، مورد بررسی قرار گرفت. مقدار RMSE مریوط به 15 الگوی تست برابر 0269/0 به دست آمد که نشان دهنده دقت بالای شبکه آموزش داده شده است. تحلیل حساسیت پارامترهای مورد بررسی که همان ورودی ها و خروجی های تحلیل پوششی داده ها هستند، با افزایش ده درصدی پارامترها نسبت به حالت قبل از افزایش انجام شده و میانگین خطای نسبی خروجی برای پارامترهای شبکه عصبی محاسبه شده است. بر اساس میزان میانگین خطای نسبی خروجی، ورودی ها و خروجی های تحقیق مشخص گردید. مقایسه نمرات کارایی شرکت های برق منطقه ای قبل و بعد از کاهش تعداد متغیرها، تعداد شرکت های کارا در طی شش دوره زمانی فوق از 4/62 درصد به 4/26 درصد کاهش یافته است.
۵۸.

مدل سازی تجربی پتانسیل انتقال تغییر پوشش سرزمین شهرستان بهبهان با الگوریتم شبکه عصبی مصنوعی(مقاله علمی وزارت علوم)

نویسنده:
منبع: تحقیقات کاربردی علوم جغرافیایی سال هجدهم پاییز ۱۳۹۷ شماره ۵۰ 219-234

کلیدواژه‌ها: روند تغییرات زنجیره مارکوف شبکه عصبی مدل ساز تغییر سرزمین

حوزه‌های تخصصی:
تعداد بازدید : ۵۱۴ تعداد دانلود : ۴۵۰
تغییر کاربری زمین، یکی از مهم ترین چالش های برنامه ریزی کاربری زمین است که در برابر برنامه ریزان، تصمیم گیران و سیاست گذاران قرار دارد و تأثیر مستقیمی بر بسیاری از مسائل از قبیل رشد اقتصادی و کیفیت محیط دارد. مطالعه حاضر، روند تغییرات کاربری اراضی شهر بهبهان برای سال های 1392 و 1406 با استفاده از LCM در محیط سامانه اطلاعات جغرافیایی را بررسی می کند. تجزیه و تحلیل و بارزسازی تغییرات کاربری ها، به کمک دو دوره از تصاویر ماهواره لندست سال های 1378 و 1392 انجام شد و نقشه های پوشش اراضی برای هر سال تهیه شد. مدل سازی پتانسیل انتقال، به کمک الگوریتم پرسپترون چندلایه شبکه عصبی مصنوعی با استفاده از شش متغیر مستقل صورت پذیرفت و میزان تخصیص تغییرات کاربری ها به همدیگر، به روش زنجیره مارکف مورد محاسبه قرار گرفت. نتایج پیش بینی نشان داد بیشترین کاهش تغییرات شامل تخریب مراتع و بیشترین افزایش مساحت در کاربری کشاورزی می باشد. با توجه به نتایج جدول بندی افقی نقشه سال 1406 می توان بیان کرد که از مجموع کل مساحت منطقه، 22/28336 هکتار از اراضی بدون تغییر و 78/33223 هکتار از اراضی تغییر کاربری داده اند. همچنین روند تخریب مراتع و جنگل در طی این بازه زمانی می تواند زنگ خطری برای مدیران و برنامه ریزان شهری و منابع طبیعی باشد.
۵۹.

ارائه روش تخمین در پیش بینی شاخص های آسایش حرارتی انسان با بهره گیری از طبقه بندی ماشین عصبی باور عمیق(مقاله علمی وزارت علوم)

نویسنده:
منبع: تحقیقات کاربردی علوم جغرافیایی سال هجدهم زمستان ۱۳۹۷ شماره ۵۱ 23-40

کلیدواژه‌ها: آسایش حرارتی شبکه عصبی شرایط آب و هوایی سلامت انسان

حوزه‌های تخصصی:
تعداد بازدید : ۶۸۱ تعداد دانلود : ۵۵۴
آسایش و عدم آسایش حرارتی انسان از طریق شاخص های تئوری و تجربی زیادی محاسبه می شوند که داده های ورودی این شاخص ها بسیاری از عناصر آب و هوایی از جمله سرعت باد، درجه حرارت، رطوبت، تابش خورشید و غیره می باشد. در مطالعه حاضر از داده های روزانه درجه حرارت، سرعت باد،رطوبت نسبی و ابرناکی شهر مشهد بین سال های1392-1383 استفاده شده است. ابتدا پارامتر Tmrt در محیط نرم افزار Ray Man محاسبه و با استفاده از نرم افزار Bioklima مقادیر شاخص های UTC I و PMV استخراج گردید. نتایج مطالعه نشان می دهد که شدیدترین تنش های سرمایی بر اساس شاخص PMV در فصل زمستان و اواخر فصل پاییز مشاهده می شود. و شاخص UTC I نیز در ماه های دی و بهمن بیشترین تنش سرمایی را دارند. با وجود توانایی شبکه های عصبی، پیش بینی عملکرد آینده شبکه (تعمیم یافتگی) به سادگی امکان پذیر نیست و لذا مدل جدیدی در این مقاله ارائه گردیده که از شبکه های عصبی مبتنی بر ماشین بولتزمان محدود شده یا شبکه های عصبی باور عمیق بهره گرفته است. با بکارگیری این ساختار، معیارهای میانگین مربعات خطای استاندارد ( MSE ) و میانگین مطلق درصد خطا ( MAPE ) محک خوردند و برای 7 شاخصه حاصل از داده های گردآوری شده که سه شاخصه مربوط به زمان وقوع شرایط آب و هوایی و سایرین، شاخص های حرارتی آسایش انسان است، در سیستم ارزیابی گردید. ارزیابی با تقسیم داده ها به بخش های آموزشی و آزمایشی و به ترتیب به نسبت های دوسوم، پنجاه درصد و یک سوم صورت پذیرفته است و دو محک MSE و MAPE محاسبه شدند. عملکرد سیستم پیشنهادی در پیش بینی وضعیت آسایش حرارتی انسان مطلوب بود. nk href="moz-extension://8b922523-7922-435a-ac74-8ddb59e9beaf/skin/s3gt_tooltip_mini.css" rel="stylesheet" type="text/css" > #s3gt_translate_tooltip_mini { display: none !important; }
۶۰.

پهنه بندی مناطق مستعد به زمین لغزش با استفاده از سیستم استنتاجی فازی عصبی(ANFIS)(مطالعه موردی: حوضه رودخانه سنگورچای)(مقاله علمی وزارت علوم)

نویسنده:
منبع: مخاطرات محیط طبیعی سال هفتم پاییز ۱۳۹۷ شماره ۱۷ 155 - 174

کلیدواژه‌ها: زمین لغزش شبکه عصبی سیستم استنتاجی فازی عصبی پهنه بندی حوضه رودخانه سنگورچای

حوزه‌های تخصصی:
تعداد بازدید : ۳۹۲ تعداد دانلود : ۶۰۸
در این تحقیق برای پهنه بندی زمین لغزش در حوضه رودخانه سنگورچای از مدل سیستم استنتاجی فازی عصبی (ANFIS) استفاده شد. به این منظور، داده های 124 زمین لغزش، شناسایی شده و برای انجام فرایند تحلیل و پردازش به سیستم ارائه شد. در کنار آن برای پردازش زمین لغزش ها، 8 لایه متشکل از لایه های شیب، جهت شیب، DEM، لیتولوژی، شبکه هیدروگرافی،لایه NDVI، گروه خاک و پراکنش زمین لغزش ترسیم گردید. برای پردازش لایه های فوق در مدل فازی عصبی، داده ها طی فرایند نرمالیزه کردن در بازه صفر و یک قرار گرفتند. در ادامه برای تعلیم و تست داده ها حدود 80 درصد داده ها برای تعلیم و 20 درصد برای تست انتخاب شدند. در تحقیقات متعدد مقدار فوق به عنوان حد قابل قبول در نظر گرفته شده است. سپس مقادیر فوق در ساختار سیستم استنتاجی فازی عصبی مورد پردازش قرار گرفتند. در نهایت با توجه به وزن خروجی، نقشه پهنه بندی زمین لغزش در پنج رده با خطرخیلی زیاد، زیاد، متوسط، کم و خیلی کم ترسیم گردید. نتایج نشان داد که ساختار زمین شناسی شکل گرفته از مارن خاکستری و توفهای آتشفشانی در کنارمنابع رطوبتی بالا باعث شده که ارتفاعات کوههای گنجگاه و اسلام آباد در محدوده جنوب غربی حوضه از قابلیت بالایی در رخداد زمین لغزش برخوردار شوند این در حالیست که نتایج حاصل از مدل سیستم استنتاجی فازی عصبی نشان می دهد که محدوده شرقی آق باش و شمالی کروز سفلی از بیشترین احتمال رخداد زمین لغزش های شدید برخوردار بوده و بخش مرکزی محدوده آق باش از کمترین احتمال رخداد زمین لغزش برخوردار می باشد.