شبکه ی عصبی مصنوعی

در این تحقیق سعی شده است که به طور تجربی به بررسی و پیش بینی تأثیر نااطمینانی نرخ ارز بر رشد اقتصادی ایران برای دوره 1389-1338 با استفاده از روش شبکه ها ی عصبی مصنوعی پرداخته شود. برای این منظور در ابتدا نااطمینانی نرخ ارز با بکارگیری الگوی واریانس ناهمسانی شرطی اتورگرسیو تعمیم یافته (GARCH)، محاسبه شده است. سپس تأثیر این نااطمینانی در نرخ ارز بر رشد اقتصادی ایران با توجه به شبکه های عصبی مصنوعی، مورد آزمون قرار گرفته است. برای این مهم، نخست شبکه ی مناسب از نظر معیارهای ارزیابی همچون ضریب تعیین و میانگین مربعات خطا، تبیین و سپس با توجه به شبکه ی آموزش دیده به بررسی فرضیه تحقیق پرداخته شد. نتایج نشان می دهد که نااطمینانی نرخ ارز تأثیر منفی امّا خفیف روی رشد اقتصادی ایران در طی سال های اخیر داشته است امّا انتظارات بر آن است که این تأثیر در سال های آتی، از معناداری بالاتری برخوردار باشد.

هدف اصلی این مطالعه بررسی تأثیر سیگنال های اقلیمی بر دبی دو ایستگاه منتخب و نوسان آب دریاچه ارومیه، طیّ دوره ی 22 ساله (2007-1986) می باشد. برای این کار ازداده های دو ایستگاه منتخب، داده های ماهانه شاخص نوسان جنوبی SOI، نوسان اطلس شمالی NAO و شاخص ENSO در مناطق NINO1+2, NINO3, NINO4و NINO3.4 استفاده شد. داده های مربوط به سیگنال های بزرگ مقیاس اقلیمی از مرکز داده های NCEP تهیه گردید. داده های مربوط به میانگین دبی ماهانه ایستگاه های داشبند و ساریقمیشنیز از مرکز داده های وزارت نیرو تهیه گردید. ابتدا به منظور بررسی اولیه داده ها و همبستگی بین آنها برای تهیه مناسب ترین مدل پیش بینی دبی، گام های زمانی 0، 3 و 6 ماهه مد نظر قرار گرفت. در بررسی دبی در بازه های زمانی مختلف، ایستگاه های مورد مطالعه، نتیجه شد، همبستگی در بازه ی زمانی تأخیری شش ماهه بیشتر از بازه های زمانی همزمان و تأخیری سه ماهه است.پس از تبیین ارتباط و نوع آن، مدل پیش بینی با استفاده از شبکه ی عصبی مصنوعی طراحی گردید و نتایج حاصل از این مدل مورد ارزیابی و تجزیه و تحلیل قرار گرفت. با توجه به همبستگی های معنی دار در بازه های زمانی این نتیجه گرفته شد، که شاخص های بزرگ مقیاس اقلیمی از نظر گردش عمومی جو و متأثر نمودن سیستم های بزرگ جوی در منطقه ی مورد مطالعه بر دما، بارش و دبی و نوسان آب دریاچه ی ارومیه تأثیر معنی داری می گذارند. بررسی مدل های خروجی از نرم افزار شبکه ی عصبی مصنوعی نشان داد، که مؤثرترین سیگنال ها بر دبی به ترتیب NINO3.4, NINO3, NINO1+2 و کم اثرترین سیگنال ها به ترتیب NAO ,SOIمی باشند. با توجه به یافته های تحقیق حاضر می توان این طور نتیجه گیری کرد که ارتباط معنی داری بین دبی با سیگنال های اقلیمی و جود دارد.

چشمه ها یکی از منابع آبی مهم در سطح کشور شمرده می شوند. در ارتفاعات البرز مرکزی چشمه های کارستی فراوانی گسترش دارند که شناخت وضعیّت هیدرولوژیکی آنها در بهره برداری و مدیریت آنها ضرورت دارد. هدف از این پژوهش، بررسی کارایی شبکه ی عصبی مصنوعی در شبیه سازی آبدهی چشمه های کارستی در استان مازندران است. بدین منظور، 80 چشمه کارستی مورد مطالعه قرار گرفت. تعداد 60 نمونه برای آموزش یا ارائه ی مدل و تعداد 20 نمونه برای تست یا اعتباریابی استفاده شد. مقادیر کمّی عوامل مؤثّر در آبدهی چشمه های کارستی، شامل؛ درصد تخلخل تشکیلات آبخوان، ارتفاع مکان، شیب زمین، بارش متوسّط سالانه و فاصله از منابع آب با به کارگیری داده ها و نقشه ها در محیط سیستم اطلاعات جغرافیایی(GIS) برآورد شد. برای ارائه ی مدل مناسب برای آبدهی چشمه های کارستی از نرم افزار MATLAB شاخه ی Neural Network و از شبکه ی پرسپترون چند لایه استفاده شد. برای فرآیند شبیه سازی، 80 درصد داده ها برای آموزش و 20 درصد مابقی برای تست یا اعتباریابی استفاده شد. عملکرد شبکه ی عصبی با پارامتر هایی چون، جذر میانگین مربّع خطا (RMSE) و ضریب همبستگی بین خروجی های حقیقی و دلخواه (R) سنجیده شد. نتایج پژوهش، نه تنها کارایی شبکه ی عصبی مصنوعی در شبیه سازی آبدهی چشمه ها را نشان داد؛ بلکه حاکی از آن است که عوامل فاصله از منابع آب، تخلخل تشکیلات آبخوان و ارتفاع مکان، عوامل اصلی در آبدهی چشمه های کارستی در ارتفاعات البرز مرکزی به شمار می آیند؛ بنابراین با استفاده از شبکه ی عصبی مصنوعی، می توان آبدهی چشمه های فاقد آمار را با دقّت قابل قبولی برآورد کرد.

پژوهش حاضر با هدف پیش بینی میزان عملکرد گندم آبی و دیم با روش های زمین آمار کریجینگ و شبکه ی عصبی مصنوعی در سطح استان خراسان رضوی انجام گرفت. بدین منظور نخست مشخّصات طول و عرض جغرافیایی هفده شهرستان مورد مطالعه، به عنوان ورودی های هر دو روش تعریف شد. خروجی هر روش نیز مقدار عملکرد گندم آبی و دیم هر شهرستان بود. در بخش زمین آمار سه روش کریجینگ معمولی، کریجینگ ساده و کریجنگ عمومی و در بخش شبکه ی عصبی مصنوعی، ساختار پرسپترون سه لایه با الگوریتم پس انتشار خطا، مورد ارزیابی قرار گرفت. نتایج نشان دادند در بین روش های زمین آمار، روش کریجینگ ساده با نیم تغییرنمای دایره ای در پیش بینی عملکرد گندم آبی با مجذور میانگین مربّعات خطای نرمال 120/0 و روش کریجینگ معمولی با نیم تغییرنمای نمایی و مجذور میانگین مربّعات خطای نرمال 348/0 در پیش بینی عملکرد گندم دیم مناسب بود. مقایسه ی نتایج زمین آمار و شبکه ی عصبی مصنوعی بیانگر توانایی بالای شبکه ی عصبی در مقابل روش زمین آمار کریجینگ بود، به طوری که در شبکه ی عصبی مصنوعی عملکرد گندم دیم و آبی به ترتیب با 46 و 42 درصد خطای کمتر نسبت به روش زمین آمار برآورد شد. همچنین محاسبه ی شاخص ویلموت نشان داد دقّت شبکه ی عصبی در پیش بینی عملکرد گندم دیم، 81 درصد و در گندم آبی 65 درصد بود. در حالی که شاخص ویلموت برای پیش بینی عملکرد گندم دیم و آبی به روش زمین آمار، به ترتیب 53 درصد و 50 درصد به دست آمد. درمجموع می توان چنین نتیجه گرفت که روش شبکه ی عصبی مصنوعی با تلفیق دو عامل طول و عرض جغرافیایی، قادر به پیش بینی عملکرد گندم آبی و دیم پیش از برداشت با دقّت مناسب است.

غیبت از کار موضوعی مهم و اساسی برای صنایع و سازمان ها است. این مسئله، به عنوان عاملی هزینه زا در سازمان ها، مدیران را بر آن داشته است تا در زمینه ی کاهش آن اقدامات لازم را انجام دهند. نخستین گام در جهت کاهش هزینه های غیبت، شناسایی عواملی است که بر غیبت اثر گذاشته و باعث کاهش یا افزایش آن می شوند. تحقیق حاضر برای نخستین بار در ایران با استفاده از خصوصیت تقریب توابع غیرخطی شبکه های عصبی مصنوعی، مدلی مناسب برای پیش بینی میزان غیبت کارکنان طراحی شده و میزان تأثیر عوامل مختلف بر غیبت از کار نیز مورد ارزیابی قرار گرفته است. به منظور رسیدن به اهداف یادشده، 14 عامل مؤثر بر غیبت کارکنان به عنوان ورودی تبیین، سپس با استفاده از مدل پرسپترون چندلایه، میزان غیبت کارکنان پیش بینی شده است که براساس قابلیت های مدل طراحی شده، مدیریت می تواند اقدامات لازم را در جهت کاهش غیبت کارکنان به عمل آورد. در ادامه ی تحقیق، با استفاده از فن تحلیل حساسیت، تأثیر هر کدام از متغیرهای ورودی بر خروجی این مدل مورد ارزیابی قرار گرفته است. نتایج نهایی، نشانگر این است که: عوامل «تعهد سازمانی»، «رضایت شغلی» و «تنوع شغلی» بیشترین تأثیر را بر میزان غیبت کارکنان دارند.

معتبرترین روش برای شبیه سازی متغیّرهای اقلیمی در دوره های آتی، تحت تأثیر تغییر اقلیم، استفاده از داده های مدل گردش عمومی جو و GCMs بوده که بزرگ مقیاس می باشند و لازم است تا ریزگردانی گردند. در این پژوهش، از داده های بارش و دمای روزانه ی ایستگاه سینوپتیک ارومیه واقع در شمال غرب ایران، طیّ دوره ی آماری 1971 الی 2000 جهت ورودی به نرم افزار اقلیمی ریز مقیاس نمایی SDSMاستفاده گردیده است. با در نظر گرفتن دو سناریو A2 و B2 برای دوره ی آماری 2099- 2000، در آینده دما به میزان 45/0 و 35/0 درجه ی سانتیگراد و بارندگی نیز تحت این دو سناریو به ترتیب 10 و 9 درصد افزایش می یابد. در پایان این تحقیق با استفاده از داده های دما و بارش پیش بینی شده ازمدل اقلیمی و رواناب رودخانه ی نازلوچای دردوره ی پایه و همچنین با استفاده از شبکه ی عصبی مصنوعی پویا، میزان آورد دبی رودخانه نازلوچای تحت دوسناریویB2 و A2برای دوره ی آتی و همچنین وضعیت سیلاب ها در سطح حوضه برآورد گردیده است. برآوردها حاکی از افزایش رواناب رودخانه در دوره ی آتی تحت سناریوهای انتشار مذکور به میزان 48 و 49 درصد بوده است.

آب زیرزمینی یکی از مهمترین منابع آب در مناطق خشک و نیمه خشک است. با توجه به کاهش سطح آب زیرزمینی بر اثر برداشت غیرمجاز در بیشتر دشت های ایران، دبی چاهها پس از مدت کوتاهی به میزان زیادی کاهش یافته و این مهم لزوم برنامه ریزی منابع اب را مورد توجه قرار می دهد. تعیین ضخامت آبرفت و نوع مصالح تشکیل دهنده ی آبخوان ها یکی از موارد ضروری جهت برنامه ریزی برای توسعه ی شهر و طراحی زیرساخت های آن می باشد. با توجه به اهمیّت عمق برآورد سنگ کف آبخوان ها جهت برآورد حجم و برنامه ریزی منابع آب در این تحقیق کارایی مدل های شبکه ی عصبی مصنوعی و سیستم های استنتاج فازی عصبی در میزان عمق سنگ کف و پهنه بندی آن در بخش های مختلف آبخوان مورد بررسی قرار گرفت. در این تحقیق از پارامترهای طول و عرض جغرافیایی، شوری، تراز سطح آب و زمین به عنوان ورودی ها استفاده شد و تلاش شد تا مدل مناسب برای پیش بینی سنگ کف تعیین گردد. نتایج این مطالعه نشان داد که مدل شبکه ی عصبی مصنوعی با ضریب تبیین 835/0 و میانگین مجذور خطای 88/49 متر با ورودی های تراز آب زیرزمینی، طول و عرض جغرافیایی دقت بالاتری نسبت به مدل های نروفازی در برآورد عمق سنگ بستر دارد

با توجه به نوسانات زیاد نرخ ارز در ایران پیش بینی آن یکی از چالش های مهم برای گروه های مختلف در کشور می باشد. این مطالعه به بررسی عملکرد شش شبکه ی عصبی مصنوعی مختلف ایستا و پویا برای پیش بینی نرخ ارز با رویکردهای بنیادی، تکنیکال و ترکیبی و با بکارگیری داده های فصلی طی دوره زمانی (1)1383-(4)1396 برای متغیرهای تاثیرگذار روی نرخ ارز شامل تورم، نقدینگی و تولید ناخالص داخلی برای دو کشور ایران و آمریکا، صورت گرفته است. یافته های پژوهش حاکی از این است تعداد نرون ها اثر منظمی روی بهتر شدن عملکرد شبکه ها نداشته و از طرفی بهترین نتایج در وقفه های سه و چهار اتفاق افتاده است. نتایج نشان می دهد که  بهترین عملکرد مربوط به شبکه ی ایستای تکنیکال و با ساختار شانزده نرون و چهار وقفه میسر شده است که پیش بینی نسبتاً دقیقی از نرخ ارز علیرغم تعداد کم داده های ورودی ارائه می دهد. همچنین دومین عملکرد مناسب مربوط به شبکه ی ایستای ترکیبی با ساختار ده نرون و دو وقفه می باشد. با این ملاحظات، سیاست گذاران می توانند با توجه به دسترسی بیشتر و بروزتر به داده های موثر بر نرخ ارز و با پایش لحظه ای متغیرها و ورود آنها به مدل جامع طراحی شده با استفاده از این روش، میزان انحراف نرخ ارز پیش بینی شده توسط مدل و نرخ ارز موجود را مورد بررسی قرار داده و سیاست های مقتضی را بر این اساس اتخاذ نمایند، به طوری که زیان های وارده بر بخش داخلی و خارجی اقتصاد ناشی از شکاف نرخ پیش بینی شده و نرخ ارز موجود در حداقل مقدار باشد.

در این مقاله ی، پیش بینی درآمدهای مالیاتی کشور طی سال های برنامه ی پنجم توسعه، یا به کارگیری روش شبکه های عصبی غیرخطی انجام شده است. این پیش بینی بر مبنای داده-های درآمدهای مالیاتی به تفکیک مالیات های کل، مستقیم، غیرمستقیم (سال های 87-1338)، شرکت ها، درآمد، ثروت و واردات (87-1342) بوده است. از آن جا که پیش بینی ها مربوط به دوره ی میان مدت می باشد، شناخت نسبی از میزان پیچیدگی سری های زمانی موردنظر این امکان را فراهم می کند که با توجه به ساختار سری های زمانی، از مدل های مناسب برای پیش بینی و دستیابی به جواب های قابل اطمینان استفاده شود، لذا در این مقاله ابتدا ماهیت ساختاری سری زمانی درآمدهای مالیاتی از جهت آشوبی و تصادفی بودن و میزان پیچیدگی، با استفاده از آزمون بُعد همبستگی، بررسی شده است. نتایج تخمین بُعد همبستگی علاوه بر تأیید وجود آشوب در داده ها، نشانگر پیچیدگی در ساختار سری های زمانی موردنظر می باشد که میزان آن در مورد هر متغیر از جهت شدت و ضعف، متفاوت است. در مرحله ی بعد، درآمدهای مالیاتی به تفکیک منابع وصولی با استفاده از شبکه ی عصبی پیشنهادی وی ژه ی مؤلفان با ساختار چندورودی چندخروجی و قانون یادگیری پیشنهادی برای سال های 93-1388، به صورت یک بازه ی درآمدی پیش بینی شده است. نتایج به دست آمده از فرآیند پیش بینی شش سال آینده در فاز آموزش بسیار مطلوب بوده است و انتظار می رود در سال های آینده نیز مقادیر پیش بینی شده چنان چه تغییر ساختار ویژه ی مالیاتی رخ ندهد، با دقت خوبی برقرار باشد. طبقه بندی G11, G1 :JEL

سیل یکی از بلایای طبیعی مهمی است که همه ساله باعث ایجاد خسارت های مالی و جانی فراوانی به جوامع مختلف می گردد. به همین دلیل محققان سعی نموده اند که تغییرات کمی این پدیده را حتی المقدور به طور دقیق مورد بررسی قرار دهند. در این پژوهش جهت تخمین دبی سیلابی ایستگاه کهمان الشتر واقع در استان لرستان از مدل شبکه ی عصبی موجک استفاده شد و نتایج آن با سایر روش های هوشمند از جمله شبکه ی عصبی مصنوعی مقایسه گردید. برای این منظور از پارامتر حداکثر بارش 24 ساعته در مقیاس زمانی روزانه با تأخیرهای مختلف در طی دوره ی آماری (1391-1380) به عنوان ورودی و دبی حداکثر روزانه به عنوان پارامتر خروجی مدل ها انتخاب گردید. معیارهای ضریب همبستگی، ریشه ی میانگین مربعات خطا و میانگین قدرمطلق خطا برای ارزیابی و عملکرد مدل ها مورد استفاده قرار گرفت. نتایج نشان داد هر دو مدل قابلیت خوبی در تخمین دبی سیلابی دارند، لیکن از لحاظ دقت، مدل شبکه ی عصبی موجک عملکرد بهتری نسبت به شبکه ی عصبی مصنوعی از خود نشان داده است.

تبخیر به عنوان یکی از پارامترهای طبیعی به علت نقش مهمی که در خروج آب از دسترس بشر دارد، همواره مورد توجه کارشناسان و محققان بوده است. در این پژوهش سعی شده است تا با بکارگیری مدل شبکه ی عصبی مصنوعی در برآورد تبخیر از سطح دریاچه ی سد میناب، میزان دقت مدل مورد ارزیابی قرار گیرد. برای بررسی روند تغییرات پارامترهای مؤثر بر تبخیر برای اطلاعات 19 ساله موجود، با استفاده از رگرسیون غیرخطی بهترین برازش از بین نقاط موجود برای داده ها ترسیم و روند کلی تغییرات پارامترهای مؤثر بر تبخیر مشخص شده است. همچنین برای مدلسازی تبخیر با استفاده از شبکه ی عصبی مصنوعی از آمار 19 ساله، از سال 1374 تا 1392 استفاده و بهترین ساختار برای محاسبه ی میزان تبخیر از سطح دریاچه ی سد میناب انتخاب شده است. در این ساختار لایه ی اول و دوم دارای 5 نورون می باشند که با 1000 تکرار برای محاسبه ی آن، بهترین نتیجه به دست آمد. ضرایب آماری به دست آمده از تحلیل با استفاده از شبکه ی عصبی مصنوعی در انتخاب بهترین ساختارمورد توجه قرار گرفت که در این ساختار ضریب همبستگی با مقدار 8941/0 دارای بیشترین مقدار در بین آزمون های دیگر است و مقادیر خطا برای داده های آموزش و آزمایش نیز به ترتیب برابر با 0011/0 و 0082/0 است که پس از این ساختار، ساختارهای ANN(3,7,1)، ANN (4,10,1)، ANN(4,11,1)، ANN(5,3,1) دارای مقادیر ضریب همبستگی و خطای قابل قبولی در تعیین مقدار تبخیر از دریاچه ی سد میناب می باشند.