شبکه ی عصبی پرسپترون چندلایه

ازجمله عوامل مهم در برنامه ریزی و مدیریت شهری، به ویژه در راستای نیل به توسعه ی پایدار در نواحی شهری و استفاده ی بهینه از سرزمین، دسترسی بهنگام از وضعیّت پوشش اراضی برای این مناطق است. داده های سنجش از دور پتانسیل بالایی برای تهیّه ی نقشه های به روز پوشش اراضی شهری دارند. روش های متفاوتی در زمینه ی تهیّه ی نقشه ی پوشش اراضی شهری با استفاده از تصاویر ماهواره ای گزارش شده است که هریک مزایا و معایبی دارند. دو روش طبقه بندی فازی آرت مپ و شبکه ی عصبی پرسپترون چندلایه، ازجمله روش های طبقه بندی تصاویر هستند که از توانایی بالایی در تفکیک طبقات مختلف پوشش اراضی، به ویژه پیکسل های مختلط برخوردار هستند. هدف از این مطالعه، مقایسه ی توانایی این دو روش طبقه بندی با به کارگیری تصویر سنجنده ی LISS-III سال 1387 در تهیّه ی نقشه ی پوشش اراضی شهر اصفهان است. نخست تصویر با میانگین خطای مربّعات 4/0 پیکسل تصحیح هندسی شد. پس از آن، دو روش طبقه بندی فازی آرت مپ و شبکه ی عصبی پرسپترون چندلایه به اجرا درآمد. درنهایت نقشه ی پوشش اراضی منطقه به پنج طبقه ی آب، مناطق مسکونی، اراضی بایر، پوشش گیاهی و جادّه طبقه بندی شد. برای ارزیابی درستی نتایج طبقه بندی، برداشت های زمینی بسیاری با استفاده از GPS انجام گرفت و صحّت کلّی برای روش فازی آرت مپ و شبکه ی عصبی پرسپترون چندلایه، به ترتیب 88 و 3/93 درصد برآورد شد. این مطالعه نشان داد که روش طبقه بندی شبکه ی عصبی پرسپترون چندلایه، نسبت به روش فازی آرت مپ، از توان تفکیک و قابلیّت بیشتری برای تهیّه ی نقشه ی پوشش اراضی در مناطق شهری برخوردار است.

سود هر سهم یکی از فاکتورهای مالی بسیار مهم است که مورد توجه مدیران، سرمایه گذاران و تحلیل گران مالی می باشد و اغلب برای تصمیم گیری در خصوص سرمایه گذاری، ارزیابی سودآوری و ریسک مرتبط با سود و نیز قضاوت در خصوص قیمت سهام استفاده می شود، از این رو پیش بینی آن برای مدیران و ذینفعان حائز اهمیت اساسی است. هدف این تحقیق ارائه ی مدلی به منظور پیش بینی سود هر سهم با استفاده از شبکه عصبی پرسپترون چند لایه(MLP) و شبکه ی عصبی توابع شعاعی بنیادین(RBF) و تعیین مدل برتر با استفاده از معیار های ارزیابی عملکرد است. بدین منظور، شرکت های عضو بورس اوراق بهادار تهران به عنوان جامعه آماری تحقیق در نظر گرفته شدند و 630 سال-شرکت در قالب 24 صنعت فعال بورس در محدوده ی زمانی 1388-1382 به عنوان نمونه ی تحقیق انتخاب شدند. نتایج تحقیق نشان می دهد که شبکه ی MLP خطای پیش بینی کمتری نسبت به شبکه ی RBF دارد و همبستگی بین داده های واقعی و داده های پیش بینی شده توسط این شبکه نیز از RBF بیشتر است؛ در نتیجه دقت پیش بینی شبکه یMLP بیشتر از شبکه ی RBF است.