شبکه عصبی بازگشتی

هدف از انجام این پژوهش بررسی دقت پیش بینی جهش های شاخص سهام بر اساس روش های مختلف یادگیری ماشین در بورس اوراق بهادار تهران است. برای رسیدن به این هدف، در گام نخست جهش های شاخص کل بورس اوراق بهادار تهران طی دوره 1392 تا 1399 بر اساس رویکرد ARJI-GARCH استخراج گردید. در گام بعدی، با بهره گیری از رویکردهای جنگل تصادفی، ماشین بردار پشتیبان، شبکه عصبی مصنوعی و شبکه عصبی بازگشتی مبتنی بر یادگیری عمیق به پیش بینی جهش های شاخص سهام پرداخته شد. بدین منظور، از 80 درصد کل داده ها به عنوان دوره یادگیری ماشین (درون نمونه) و مابقی داده ها به عنوان دوره آزمون (خارج از نمونه) استفاده شده است. نتایج پیش بینی 1، 3 و 6 روزه برای دوره آزمون (خارج از نمونه) نشان می دهد که روش یادگیری ماشین مبتنی بر شبکه عصبی بازگشتی حافظه طولانی کوتاه مدت (LSTM) نتیجه بهتری نسبت به سایر مدل های مورد بررسی برای هر سه افق پیش بینی داشته است.

ازن نزدیک به سطح زمین یکی از آلاینده های بسیار خطرناک است که تأثیرات زیان بار درخور توجهی در سلامت ساکنان مناطق شهری دارد. هدف از این مطالعه شناسایی عوامل مؤثر در غلظت ازن و مدل سازی تغییرات آن، با استفاده از داده های ماهواره ای و روش های گوناگون یادگیری ماشین در شهر تهران است. بدین منظور داده های غلظت آلاینده ها، داده های هواشناسی و دمای سطح خاک، طی بازه زمانی بین سال های 2015 تا 2021، به کار رفت. پس از محاسبه همبستگی بین غلظت ازن و پارامتر های مستقل، طی پنج حالت متفاوت، با پارامترهای ورودی و روش یادگیری متفاوت و به کارگیری پالایش داده ها، غلظت ازن مدل سازی شد. در حالت اول و دوم، مدل سازی با استفاده از داده های غلظت آلاینده ها و داده های هواشناسی با روش رگرسیون خطی چندمتغیره انجام شد. تنها تفاوت این دو حالت، پالایش داده های ورودی به شیوه WTEST در روش دوم است. در حالت سوم، دمای سطح خاک به داده های ورودی افزوده شد و در حالت چهارم و پنجم، به ترتیب مدل سازی ازن با استفاده از شبکه عصبی چندلایه ای و شبکه عصبی بازگشتی انجام شد. مقایسه این حالت ها نشان داد که مدل سازی های مراحل اول تا پنجم، به ترتیب با ضریب تعیین تعدیل شده 5/0، 64/0، 69/0، 74/0 و 8/0 توانایی بازیابی غلظت ازن را داشته اند. همچنین مشخص شد در بین آلاینده های گوناگون، مونوکسید نیتروژن، دی اکسید نیتروژن، نیتراکس و از میان داده های هواشناسی دما، رطوبت و سرعت باد بیشترین تأثیر را در غلظت ازن دارند. افزودن دمای سطح خاک به داده های ورودی نیز افزایش پنج درصدی دقت را در برآورد غلظت ازن، به همراه داشت.

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.

زمینه و هدف: طیف اوتیسم، اختلالی نورولوژیک است که خودش را در سال های اولیه رشد کودک نمایان می کند. افراد مبتلا به اوتیسم با چالش هایی در زمینه تنظیم احساسات مواجه هستند و حالات عاطفی خود را به روش های مختلف بیان می کنند. پژوهش فعلی یک سیستم تشخیص فعالیت صوتی (VAD) را ارائه می کند که با صداهای کودکان اوتیستیک سازگار شده است. روش پژوهش: سیستم VAD ارائه شده یک شبکه عصبی بازگشتی (RNN) با سلول های حافظه کوتاه مدت (LSTM) است. داده ها شامل 25 کودک اوتیستیک انگلیسی زبان است که یک فعالیت آموزشی ساختار یافته را انجام می دهند.یافته ها: آزمایش های ما نشان می دهد که سیستم VAD کودک عملکرد کمتری نسبت به سیستم VAD عمومی ما دارد که تحت شرایط یکسان آموزش داده شده است، زیرا منحنی مشخصه عملکرد سیستم (ROC) را تحت معیارهای منحنی (ROC-AUC) به ترتیب 0.662 و 0.850 به دست می آوریم. نتایج SER عملکردهای متفاوتی را در بین ظرفیت و برانگیختگی، بسته به سیستم VAD مورد استفاده با حداکثر ضریب همبستگی تطابق (CCC) 0.263 و حداقل ریشه میانگین مربعات خطا 0.107 نشان می دهد. نتیجه گیری: اگرچه عملکرد مدل های SER به طور کلی پایین است، سیستم VAD کودک می تواند به نتایج کمی بهبود یافته در مقایسه با سایر سیستم های VAD و به ویژه تراز مبنا بدون VAD (VAD-less baseline) منجر شود، که از اهمیت فرضی سیستم های VAD کودک در زمینه مورد بحث حمایت می کند.

مقدمه: این مقاله روشی جدید برای تشخیص بیماری آلزایمر بر اساس ویژگی های تصاویر تصویربرداری تشدید مغناطیسی (MRI) ارائه می کند. تصاویر MRI با حداقل 3 تسلا و ضخامت 3 میلی متر برای تعیین پلاک های پیری و کلاف های مارپیچی ثبت می شود. روش کار: ویژگی های تصاویر MRI مانند آتروفی لوب گیجگاهی میانی، حجم ماده سفید، حجم ماده خاکستری، مایع مغزی نخاعی و عدم تقارن تعیین می شود. افراد به سه گروه افراد سالم، بیماران خفیف و شدید تقسیم شدند. عدم تقارن و میانگین آتروفی لوب گیجگاهی با پیشرفت بیماری آلزایمر افزایش می یابد، زیرا میزان آسیب به لوب گیجگاهی در تصاویر MRI بیماری آلزایمر افزایش یافته است. یافته ها: صحت نتایج شبکه عصبی Elman با ویژگی های استخراج شده از تصاویر MRI با صحت نتایج شبکه عصبی کانولوشنی مقایسه می شود. صحت نتایج با ترکیب ویژگی ها در افراد سالم 82/5 درصد بود. در بیماران آلزایمر خفیف 86/5 درصد و در بیماران آلزایمر شدید 94/5 درصد است. نتیجه گیری: بالاترین صحت نتاج در گروه بیماران مبتلا به آلزایمر شدید و مناسب ترین ویژگی در بین ویژگی های تصاویر MRI، میزان آتروفی لوب گیجگاهی داخلی است. استفاده از شبکه عصبی کانولوشنی نشان می دهد که صحت نتایج در گروه سالم 98 درصد، در گروه خفیف 97/7 درصد و در گروه بیماران شدید 97/5 درصد است. این نتایج نشان می دهد که عملکرد شبکه عصبی کانولوشنی در مقایسه با شبکه عصبی Elman دارای صحت نتابج بیشتری است.