شبکه عصبی عمیق

با همه گیر شدن بیماری کووید-19، قرنطینه شدن مردم و فاصله گذاری اجتماعی، افراد بیش از پیش نظرات خود درباره ویروس کرونا را در شبکه های اجتماعی مانند توئیتر منتشر می کنند. با این حال، هنوز مطالعه ای برای تحلیل نظرات برخط افراد به منظور درک احساسات آن ها در مورد همه گیری کووید-19 در ایران گزارش نشده است. در این پژوهش به تحلیل احساسات موجود در نظرات مردم ایران در شبکه اجتماعی توییتر در طول بحران کرونا پرداخته می شود. برای این منظور یک مدل شبکه عصبی عمیق ارائه می شود. با توجه به این که داده های برچسب گذاری شده از توئیت های مرتبط با کرونا در دسترس نیست، مدل پیشنهادی ابتدا روی مجموعه داده Sentiment140 دانشگاه استنفورد شامل یک میلیون و ششصدهزار توئیت آموزش داده شده، سپس برای طبقه بندی دوکلاسه ی احساسات موجود در توئیت های جمع آوری شده مرتبط با کرونا در ایران استفاده می شود. نتایج نشان می دهد درصد توئیت ها دارای احساسات منفی نسبت به توئیت های مثبت به شکل معنی داری بیشتر است. همچنین، تغییر احساسات منفی افراد در ماه های مختلف متناسب با تغییر در آمار بیماران می باشد.

عملکرد یک مدل هوشمند تا حد زیادی به انتخاب مرتبط ترین و تأثیرگذارترین متغیرهای ورودی و کمترین پیچیدگی مدل یادگیری بستگی دارد. از این رو در مطالعه حاضر، برای پیش بینی روزانه شاخص کل بورس اوراق بهادار تهران بر اساس متغیرهای مالی و اقتصادی، ابتدا اقدام به اولویت بندی ویژگی ها با الگوریتم MID نموده، سپس از 4 مدل مختلف شبکه عصبی (MLP, SVR, RBF, DNN) که از مهم ترین و بدیع ترین مدل های پیش بینی می باشند، استفاده می شود. با توجه به نتایج بدست آمده از تحلیل مدل های مورد بررسی، در نهایت الگوریتمی برای انتخاب ویژگی های مناسب برای پیش بینی شاخص، تحت عنوانISF _MID پیشنهاد شده و با تعدادی از روش های مشابه، مقایسه می گردد. داده های مورد استفاده در این پژوهش به صورت روزانه در بازه زمانی 28/10/1392 تا 30/5/1397 جمع آوری شده اند. مدل های مورد بررسی در مرحله پیاده سازی با روش اعتبارسنجی متقابل K-fold مورد ارزیابی قرار گرفتند. همچنین از معیارهای MAE، MSE و RMSE برای ازریابی عملکرد مدل های مذکور استفاده می شود. نتایج نشان می دهد که با روش پیشنهادی، می توان با 7 ویژگی انتخابی به دقت بالایی در پیش بینی روزانه شاخص کل بورس اوراق بهادار تهران دست یافت.

در این پژوهش با نگاهی آماری بر داده های بورس تهران اقدام به شناسایی رفتار و فرآیند تولید داده های بازده روزانه شاخص بورس تهران شده و پس از انجام آزمون های متعدد، با شناسایی رفتار آماری این داده ها و اظهارنظر راجع به کارایی این بازار، اقدام به توسعه مدلی نوین برای پیش بینی  آن شده است. لازم به ذکر است که ساختار مدل ارائه شده مطابق با رفتار آماری این داده ها تدوین شده است. مدل ارائه شده متشکل از دو شبکه عصبی مصنوعی احتمال ترکیبی و حافظه کوتاه مدت و بلندمدت ماندگار می باشد که با در نظر گرفتن تعداد رژیم های رفتاری متفاوت، حرکات روزانه بازده شاخص بورس تهران را در بازه زمانی آذر 1387 تا فروردین 1400 توضیح می دهد. آزمون های متفاوت کارایی ضعیف بازار را رد کرده و ذات آشوبی را در رفتار بازده شاخص کل بورس تهران نشان می دهد. مدل ارائه شده در این پژوهش توانسته است دقت بهتری نسبت به مدل بدون در نظر گرفتن رژیم کسب بنماید. آزمون دیابولد ماریانو معنی دار بودن این تفاوت دقت مدل ها را تائید کرده و آزمون معکوس با در نظر گرفتن هزینه معاملاتی نشان داده است که استراتژی این مدل با در نظر گرفتن چند رژیم، بازده بالاتری نسبت به مدل بدون رژیم و شاخص بازار کسب می کند.

دلیل اصلی که باعث شد داده کاوی، مورد توجه صنعت اطلاعات قرار بگیرد، مسئله در دسترس بودن حجم وسیعی از داده ها و استخراج اطلاعات و دانش سودمند از آن ها است. در عملیات پاک سازی داده، مشکل کیفیت داده ها برطرف می شود. یکی از مشکلاتی که بر کیفیت داده ها تأثیر می گذارد، داده های برون هشته هستند. این نمونه ها رکوردهایی هستند که مقادیر مشخصه آن ها با رکوردهای دیگر بسیار تفاوت دارد. در این تحقیق از یک روش مبتنی بر یادگیری عمیق و شبکه عصبی عمیق 14 لایه ای بر روی پکیج تنسورفلو و کراس برای تشخیص برون هشته ای و بهبود عملکرد آن استفاده شده است. مجموعه داده مورد استفاده در این تحقیق مجموعه ای با 2 درصد برون هشته ای است. میزان صحت روش پیشنهادی مقدار 08/97 را نشان داد و معیارهای بازخوانی و دقت نیز 97 درصد محاسبه شده است. روش پیشنهادی با 5 مدل دیگر مبتنی بر شبکه عصبی کانولوشن و شبکه بازگشتی LSTM نیز مقایسه شدند. مقدار معیارهای ارزیابی کلاس بندها نشان از بهبود بسیار خوب روش پیشنهادی در مقابل روش های سنتی و حتی روش های مبتنی بر یادگیری عمیق را داده است.

هدف: هدف اصلی این پژوهش، انتخاب مدل مناسب برای پیش بینی روزانه شاخص کل بورس اوراق بهادار تهران است. در این راستا، از تکنیک های کاهش ابعاد، جهت انتخاب ویژگی های مؤثر و معرف، به منظور افزایش دقت مدل انتخابی استفاده شده است. روش: با توجه به اینکه کاهش ابعاد می تواند با دو روش متفاوت (انتخاب و استخراج ویژگی) اجرا شود، در این پژوهش، هر دو روش برای انتخاب ویژگی های مناسب مدل پیش بینی به کار برده شده است؛ به طوری که برای انتخاب ویژگی ها از الگوریتم MID و برای استخراج ویژگی ها از الگوریتم PCA استفاده می شود. در این راستا، پس از جمع آوری 34 ویژگی مالی و اقتصادی مؤثر بر بازار سهام، به اولویت بندی ویژگی ها با الگوریتم MID اقدام شده است، سپس با مقایسه عملکرد دو مدل مختلف شبکه عصبی با نام های  RBFو DNN که به ترتیب از مهم ترین و بدیع ترین مدل ها هستند، مدل مناسب انتخاب شده است. در ادامه با استفاده از دو نوع تکنیک کاهش ابعاد، دقت پیش بینی مدل انتخابی بررسی شده و روش مناسب برای انتخاب ویژگی های ورودی مدل پیش بینی شناسایی شده است. یافته ها: با تحلیل نتایج به دست آمده مشخص شد که مدل RBF در پیش بینی روزانه شاخص کل بورس اوراق بهادار تهران دقت بیشتری دارد. همچنین با مقایسه عملکرد دو نوع تکنیک کاهش ابعاد، مشخص شد که الگوریتم MID نسبت به الگوریتم PCA در انتخاب متغیرهای ورودی مدل RBF نتیجه بهتری را ارائه کرده است. بنابراین با توجه به اولویت بندی ویژگی ها با الگوریتم MID و الگوی تغییر مقدار خطا با افزایش تعداد ویژگی ها در مدل RBF، الگوریتم ISF_MID، برای انتخاب ویژگی های مناسب مدل پیش بینی شاخص بورس پیشنهاد شد. با استفاده از این الگوریتم می توان با کمترین تعداد ویژگی، بیشترین دقت را در پیش بینی شاخص بورس به دست آورد. نتیجه گیری: روش پیشنهاد شده در این پژوهش جهت شناسایی، اولویت بندی و انتخاب ویژگی های مناسب برای مدل پیش بینی، با توجه به سادگی و اثربخشی استفاده از آن، می تواند در حوزه های مختلف مدل سازی، از جمله بازار سرمایه، بازار ارز و مانند آن ها مفید واقع شود.

پیش بینی قیمت و روند تغییرات آن از مهم ترین عوامل در تصمیم گیری و تدوین راهبرد های مربوط به محصولات کشاورزی است. هدف مطالعه حاضر ارائه یک مدل یا الگوی داده کاوی هیبریدی شامل مجموعه مدل های غیرخطی الگوریتم ژنتیک، تبدیل موجک، شبکه عصبی عمیق و روش مونت کارلو برای پیش بینی دقیق قیمت محصولات کشاورزی بود. این الگوی پیشنهادی از نوع هیبریدی دومرحله ای و مدل پایه هیبریدی غیرخطی- غیرخطی بود و در آن، از الگوریتم ژنتیک برای تعیین وقفه بهینه سری زمانی قیمت، از تابع موجک برای نوفه زدایی داده های قیمت، از شبکه عصبی عمیق برای پیش بینی قیمت، از روش مونت کارلو برای شبیه سازی محتمل ترین احتمال قیمت و در نهایت، از محاسبات پیچیده نرم برای انجام «پیش بینی خارج از نمونه با مجموعه داده های جدید» برای دوره زمانی دوم تا دهم اردیبهشت 1399 استفاده شد. نتایج مقایسه الگوی پیشنهادی «الگوریتم ژنتیک- تبدیل موجک- شبکه عصبی عمیق- مونت کارلو» با سه الگوی رقیب «الگوریتم ژنتیک-شبکه عصبی عمیق- مونت کارلو»، «الگوریتم ژنتیک- تبدیل موجک- شبکه عصبی ساده- مونت کارلو» و «الگوریتم ژنتیک- شبکه عصبی ساده- مونت کارلو»، با استفاده از معیارهای ارزیابی، نشان داد که الگوی پیشنهادی نسبت به سه الگوی رقیب دارای عملکرد بهتری در پیش بینی قیمت زعفران آتی است؛ همچنین، استفاده از شبکه عصبی عمیق در مقایسه با شبکه عصبی ساده و نیز به کارگیری نظریه موجک برای نوفه زدایی و استفاده از روش مونت کارلو برای شبیه سازی قیمت های پیش بینی شده دقت پیش بینی قیمت آتی زعفران را افزایش می دهد. علاوه بر این، استفاده از محاسبات نرم برای انجام «پیش بینی خارج از نمونه با مجموعه داده های جدید» نشان داد که الگوی پیشنهادی از کارآیی لازم و دقت بالا برای پیش بینی کوتاه مدت قیمت آتی زعفران برخوردار بوده، به گونه ای که میزان خطای محاسباتی کمتر از یک درصد (6/0 درصد) است. بنابراین، مطالعه حاضر در دستیابی به شاخص میزان دقت حداکثری، سناریوسازی روند قیمت های آتی، تحلیل حساسیت مؤلفه های مؤثر بر قیمت و سرانجام، پیش بینی قیمت آینده از جایگاهی بسیار مناسب برخوردار است. با توجه به نتایج به دست آمده، استفاده از الگوی پیشنهادی برای پیش بینی قیمت محصولات کشاورزی توصیه می شود.

بازاریابی عصبی به کارگیری عصب روان شناسی در پژوهش های بازاریابی است تا به کمک فناوری های نوین به مطالعه حسی حرکتی رفتار مصرف کننده مانند پاسخ های شناختی و احساسی به محرک های بازاریابی بپردازد. عملکرد سیستم های تشخیص اولویت مبتنی بر سیگنال های مغزی (EEG) به انتخاب مناسب روش های استخراج ویژگی و الگوریتم های یادگیری ماشین بستگی دارند. در این مقاله از سیگنال های EEG 25 شرکت کننده در زمان مشاهده 14 محصول مختلف استفاده شده است. در اینجا ابتدا سیگنال های EEG توسط پالایه های میان گذر و ساویتزکی گولای پیش پردازش می شوند و ویژگی های تبدیل موجک گسسته (DWT) و پیچیدگی لمپل زیو (LZC) از آنها استخراج می شود. سپس ویژگی های بهنجارشده به دو بخش آموزش و آزمون تقسیم می شوند. سپس ویژگی های بهنجارشده به شبکه عصبی عمیق (DNN) چهار لایه برای پیش بینی نتیجه آموزش داده می شوند و درنهایت پس از انجام آموزش، مدل پیشنهادی آماده پیش بینی است. برای ارزیابی عملکرد مدل پیشنهادی از مؤلفه های دقت، فراخوانی و صحت استفاده شده است. نتایج نشان می دهد مقدار مؤلفه های دقت 82درصد، فراخوانی 5/87درصد و صحت 5/87درصد برای تشخیص دو دسته پسندیدن و نپسندیدن پس از پنج بار متوسط گیری حاصل شده است. در این پژوهش اثر تبلیغات بر فعالیت مغز مصرف کنندگان با تحلیل سیگنال های EEG بررسی شد. نتایج تجربی بر روی مدل پیشنهادی نشان می دهد که مطالعات دراین زمینه می تواند باعث تغییر و بهبود راهبردهای بازاریابی برای بهبود عملکرد تولیدکننده و رضایت مصرف کننده شود و درنهایت، به منفعت متقابل منجر شود.  

هدف: امروزه با توجه به وجود تهدیدات متنوع برای برای افراد و اماکن خصوصی و دولتی تمام تلاش ها برای بهره برداری از پیشرفت های تکنولوژیک موجود برای جلوگیری از حوادث ناگوار و حفاظت از مردم و اماکن آنها انجام می شود. برای نظارت و کنترل محیط امروزه به طور گسترده از سیستمهای نظارتی مبتنی بر دوربین استفاده می شود. دوربین های معمولی مورد استفاده در این سیستمها در شرایط آب و هوایی مختلف و یا در طول شب برای شناسایی و تشخیص اشیاء با چالش روبرو هستند و نتایج ضعیفی ارائه می دهند. برای افزایش امنیت و نظارت در مناطق حفاظت شده، شناسایی افراد و تحرکات مشکوک در شرایط آب و هوایی مختلف و در طول 24 ساعت شبانه روز بسیار مهم است. روش شناسی: این تحقیق از نظر هدف کاربردی است و نتایج این پژوهش با استفاده از روش های مبتنی بر شبیه سازی ارائه شده است. یافته ها: با پیشرفت فناوری و استفاده گسترده از تصاویر حرارتی، شاهد روندی تحولی در حوزه تشخیص و شناسایی اشیا هستیم. تصاویر حرارتی، امکان دست یابی به اطلاعاتی در مورد میزان انتقال حرارت یک سطح و شکل آن را برای ما فراهم می کنند. در این مقاله، هدف ما، استخراج و تحلیل اطلاعات مفید تصاویر حرارتی با هدف شناسایی و تشخیص انسان با استفاده از دوربینهای حرارتی است. نتیجه گیری: ما برای شناسایی و تشخیص اشیاء در ویدیوی حرارتی از شبکه یولو3 استفاده کرده ایم. براساس نتایج حاصل با 6/94 mAP = قادر به شناسایی و تشخیص انسان در ویدیوهای خروجی از دوربین حرارتی شده ایم.