مطالب مرتبط با کلیدواژه

شبکه های عصبی مصنوعی


۶۱.

کاربرد روش تکنیکال برای پیش بینی قیمت سهام: رویکرد مدل های احتمال غیرخطی و شبکه های عصبی مصنوعی(مقاله علمی وزارت علوم)

نویسنده:
منبع: راهبرد مدیریت مالی سال ششم پاییز ۱۳۹۷ شماره ۲۲ 59-79

کلیدواژه‌ها: بورس اوراق بهادار تهران پروبیت شاخص تکنیکال شبکه های عصبی مصنوعی لاجیت

حوزه های تخصصی:
تعداد بازدید : ۱۲۸۶ تعداد دانلود : ۵۳۶
پیش بینی حرکت قیمت سهام ازجمله مسائلی است که همواره تحلیل گران و سرمایه گذاران با آن مواجه هستند و آنان از ابزارهای مختلفی ازجمله تحلیل های بنیادی و تکنیکال برای انتخاب سهام خوب و همچنین پیش بینی روند قیمتی در روزهای آینده استفاده می کنند. آنچه تحلیل گران به آن توجه دارند، توانایی تحلیل تکنیکال در پیش بینی های کوتاه مدت می باشد. بدین منظور، در این مقاله، مدل هایی با استفاده از ابزارهای شبکه عصبی، لاجیت، پروبیت و مقدار حدی به منظور پیش بینی جهت حرکت قیمت سهم در روز بعد ارائه شده است. برای پیاده سازی و مقایسه مدل های ارائه شده، برخی از شاخص های تکنیکال روزانه سهام شرکت ایران خودرو در بورس اوراق بهادار تهران که ازجمله سهام های مورد اقبال سرمایه گذاران می باشد، بررسی شده است. بازه زمانی موردبررسی سال های 1392 تا 1397 بوده است. نتایج این پژوهش نشان می دهد که در آزمون نا پارامتری برابری نسبت ها، ازلحاظ آماری مدل های ارائه شده تفاوت معناداری باهم نداشته اند، اما معیارهای سنجش خطا بیان می کند که مدل پروبیت، خطای کمتری در پیش بینی سهام در بازار بورس تهران دارد.
۶۲.

برآورد میزان رسوب حوضه رود ارس با استفاده از شبکه های عصبی مصنوعی (مطالعه موردی: زیرحوضه دره رود)(مقاله علمی وزارت علوم)

نویسنده:
منبع: جغرافیا و برنامه ریزی سال ۲۲ پاییز ۱۳۹۷ شماره ۶۵ 141 - 162

کلیدواژه‌ها: ارس برآورد شبکه های عصبی مصنوعی رسوب

حوزه های تخصصی:
تعداد بازدید : ۳۷۲ تعداد دانلود : ۴۴۹
    یکی از روش های نوین در زمینه پیش بینی فرآیندهای هیدرولوژیکی و ژئومورفولوژیکی  شبکه های عصبی مصنوعی از مؤلفه های هوش مصنوعی است که در جهت پیاده سازی ویژگی های شگفت انگیز مغز انسان در یک سیستم مصنوعی می کوشند و ابزاری قدرتمند در زمینه ی مدل سازی و پیش بینی پارامترهای ژئومورفولوژی اند که در این پژوهش جهت برآورد میزان رسوب حوضه رود ارس استفاده شده است. بدین منظور از آمار دبی، رسوب و بارش ماهانه ایستگاه هیدرومتری بران واقع در حوضه آبریز دره رود از زیر حوضه های مهم حوضه رود ارس در دشت مغان در طول دوره آماری 34 ساله (سال آبی 54-53 تا 87-86) استفاده گردید. بدین صورت که میزان دبی و بارش به عنوان ورودی های شبکه عصبی مصنوعی و میزان رسوب به عنوان خروجی شبکه در نظر گرفته شدند. به منظور پیاده سازی مدل از امکانات و توابع موجود در محیط برنامه نویسی نرم افزارهای MATLAB/2010 و SPSS/21 بهره گرفته شد. سپس به ارزیابی عملکرد مدل، از طریق معیارهای آماری از جمله ضریب تعیین، مجذور میانگین مربعات خطا، میانگین مربعات خطا، میانگین مطلق خطا، ضریب همبستگی و همچنین میانگین درصد نسبی خطا پرداخته شد. نتایج به دست آمده ضمن تأیید توانایی مدل شبکه عصبی مصنوعی نشان داد که انطباق خوبی بین مقادیر پیش بینی شده و مشاهداتی وجود دارد به طوری که میانگین خطای این مدل با داده های مشاهداتی برابر 9/0 درصد  و ضریب همبستگی 99/0 است که در سطح 01/0 نیز معنی دار گشته است. نتایج حاصل از این پژوهش نشان داد که مدل شبکه عصبی مصنوعی از دقت بالایی در برآورد میزان رسوب در حوضه مورد بررسی برخوردار است. نتایج حاصل می تواند در مدیریت و برنامه ریزی حوضه های آبخیز و  مدیریت منابع آبی و طبیعی بویژه در بخش های کشاورزی، صنعت، شرب و همچنین  پیش بینی وضعیت رسوب گذاری در مخزن سدها مفید باشد.  
۶۳.

بررسی سودمندی روش های مختلف انتخاب متغیرهای پیش بین در پیش بینی نوع اظهارنظر حسابرسان(مقاله علمی وزارت علوم)

نویسنده:
منبع: پژوهش های تجربی حسابداری سال هفتم بهار ۱۳۹۷ شماره ۲۷ 81 - 102

کلیدواژه‌ها: پیش بینی نوع اظهارنظر حسابرسان روش های انتخاب متغیرهای پیش بین ماشین بردار پشتیبان شبکه های عصبی مصنوعی

حوزه های تخصصی:
تعداد بازدید : ۴۷۴ تعداد دانلود : ۴۵۵
پژوهش حاضر به بررسی و مقایسه سودمندی روش های مختلف انتخاب متغیر در پیش بینی نوع اظهارنظر حسابرسان شرکت های پذیرفته شده در بورس اوراق بهادار تهران می پردازد. در این راستا، عملکرد روش های انتخاب متغیر (شامل مبتنی بر همبستگی، آزمون t، تحلیل تشخیصی گام به گام، ریلیف و تحلیل عاملی) بررسی و با یکدیگر مقایسه شده است. طبقه بندی کننده های استفاده شده نیز شامل ماشین بردار پشتیبان و شبکه های عصبی مصنوعی است. ازاین رو، یافته های تجربی مربوط به بررسی 1214 مشاهده (سال- شرکت) پذیرفته شده در بورس اوراق بهادار تهران در بازه زمانی 1386 الی 1393 حاکی از سودمندی و تأثیر مثبت استفاده از روش های انتخاب متغیر بر عملکرد پیش بینی نوع اظهارنظر حسابرسان و هم چنین وجود تفاوت معنادار بین میزان سودمندی این روش ها است. به عبارتی دیگر، در صورت استفاده از متغیرهای منتخب این روش ها نسبت به استفاده از 35 متغیر اولیه ، میانگین دقت افزایش و خطای نوع اول و دوم کاهش می یابد. افزون براین، یافته های پژوهش حاکی از عملکرد بهتر و مناسب ماشین بردار پشتیبان نسبت به شبکه های عصبی است.
۶۴.

پهنه بندی کیفیت آلودگی آب رودخانه با استفاده از شبکه های عصبی مصنوعی و سیستم اطلاعات جغرافیایی(مطالعه موردی: رودخانه سیمینه رود)(مقاله علمی وزارت علوم)

نویسنده:
منبع: سنجش از دور و GIS ایران سال پنجم پاییز ۱۳۹۲ شماره ۳ (پیاپی ۱۹)

کلیدواژه‌ها: شبکه های عصبی مصنوعی پهنه بندی رودخانة سیمینه رود آلودگی پارامترهای کیفی سامانه اطلاعات جغرافیایی

حوزه های تخصصی:
تعداد بازدید : ۴۰۶ تعداد دانلود : ۴۰۹
پهنه بندی کیفیت آب رودخانه نخستین و مهم ترین مرحله در مدیریت کیفیت آب است، که ذهن تحلیلگر را با روند و چگونگی تغییرات آلودگی برحسب زمان، مکان و شرایط خاص آشنا می سازد. پژوهش حاضر درصدد است با استفاده از شبکه های عصبی مصنوعی و سامانه اطلاعات جغرافیایی به پهنه بندی کیفیت آلودگی آب رودخانه سیمینه رود بپردازد. داده های کیفی استفاده شده در تحقیق، حاصل نمونه برداری از رودخانة سیمینه رود در سه فصل بهار و پاییز 1387 و بهار 1388 است که با استفاده از مدل QUAL2K شبیه سازی شد. خروجی مدل با داده های مشاهده ای مقایسه گردید و پارامترهای نیترات، اکسیژن محلول و هدایت الکتریکی ِ مربوط به فصل پاییز 1387 به عنوان داده های هدف انتخاب شدند. داده های ورودی شامل داده های مربوط به کاربری اراضی، زمین شناسی، قابلیت فرسایش و مراکز جمعیتی مربوط به حوضة سیمینه رود هستند که به همراه داده های هدف بعد از آماده سازی در محیط GIS به مدل شبکة عصبی معرفی شدند. در این تحقیق از پنج ساختار مختلف مدل FFBP شبکة عصبی استفاده شد و نتیجة ساختار منتخب با خروجی های حاصل از مدل رگرسیون چندمتغیره مقایسه گردید، که برتری مدل شبکة عصبی مذکور را نشان داد. نتیجه تحقیق حاضر نشان می دهد که شبکه های FFBP با ساختار 3-40-40-4 بهترین کارایی را دارند، و شبکه عصبی در پهنه بندی کیفیت آلودگی آب قابلیت بالایی دارد.
۶۵.

مقایسه استخراج عارضه راه در مناطق شهری از تصاویر با حد تفکیک بالای TerraSAR-X و آیکونوس با استفاده از اطلاعات بافت در الگوریتم های شبکه عصبی(مقاله علمی وزارت علوم)

نویسنده:
منبع: سنجش از دور و GIS ایران سال پنجم زمستان ۱۳۹۲ شماره ۴ (پیاپی ۲۰)

کلیدواژه‌ها: استخراج راه تصاویر راداری تصاویر اپتیک شبکه های عصبی مصنوعی ویژگی بافت

حوزه های تخصصی:
تعداد بازدید : ۴۶۸ تعداد دانلود : ۵۰۰
نسل جدید سنجنده های راداری فضایی با حد تفکیک مکانی بالا، امکان استفاده از این تصاویر را به منظور استخراج خودکار عوارض، به ویژه عارضه راه فراهم آورده اند. در پژوهش حاضر، استخراج عارضه راه از تصاویر راداری و اپتیک با حد تفکیک بالا با یکدیگر مقایسه شدند. بدین منظور از تصاویر آیکونوس و TerraSAR-X استفاده شد و بین تصاویر هم مرجع سازی انجام گرفت. سپس ویژگی های بافت استخراج شدند و طبقه بندی با استفاده از شبکة عصبی بازپس خور خطا انجام پذیرفت. با مقایسة نتایج حاصل از اجرای الگوریتم با داده های مرجعی که عامل انسانی آنها را تهیه کرده است، برای داده های TerraSAR-X و آیکونوس، به ترتیب مقادیر 10/46 و 72/57 درصد برای پارامتر RCC، 58/46 و 27/93 درصد برای پارامتر BCC و مقادیر 61/0 و 31/0 برای پارامتر RMSE به دست آمد. مقایسه تصویر خروجی حاصل از دو الگوریتم نشان می دهد که هرکدام از تصاویر اپتیک و راداری نواقصی در استخراج راه دارند. به عنوان مثال، الگوریتم های اپتیک به مناطقی از تصویر که ویژگی های طیفی و بافتی مشابه با راه دارند ازجمله محل پارکینگ ها و سقف بام های بزرگ حساس هستند، درصورتی که این مناطق در تصاویر راداری ظاهری روشن و بافتی متفاوت دارند. بنابراین تصاویر راداری در مناطقی با بافت شهری به ویژه توأم با راه های کم عرض و کوچه ها مناسب اند. از طرفی دیگر تصاویر راداری در مناطقی با پوشش گیاهی انبوه به خوبی عمل نمی کنند، درحالی که تصاویر اپتیک کاملاً قادر به تمایز این مناطق از راه ها هستند. در نتیجه با توجه قابلیت های مکمل این تصاویر در استخراج راه، تلفیق ویژگی های این دو منبع به منظور رفع نواقص و افزایش دقت الگوریتم های حاضر، روشی کارآمد در توسعه الگوریتم ها به نظر می رسد.
۶۶.

ارزیابی رشد اسپرال تبریز با استفاده از تصاویر ماهواره ای و مدل سازی توسعه احتمالی(مقاله علمی وزارت علوم)

نویسنده:
منبع: جغرافیا و برنامه ریزی محیطی دوره ۲۹ زمستان ۱۳۹۷ شماره ۴ (پیاپی ۷۲) 109 - 124

کلیدواژه‌ها: توسعه پراکنده اسپرال شبکه های عصبی مصنوعی GIS

حوزه های تخصصی:
تعداد بازدید : ۳۰۳ تعداد دانلود : ۲۲۱
شهرنشینی، یکی از پیامدهای اصلی انقلاب صنعتی است که روند توسعه آن را متحول کرده و باعث گسترش مهاجرت ها به شهرها شده است. یکی از نتایج اصلی گسترش شهرنشینی در دهه های گذشته، تغییرات کاربری زمین ها در شهرها و رشد اندازه آنهاست. در دهه های اخیر الگوی رشد اسپرال و پراکنده شهری، به یکی از مهم ترین چالش های برنامه ریزی فضایی تبدیل شده و حامل آسیب های اجتماعی و زیست محیطی است. در سال های اخیر برنامه ریزان، اقتصاددانان، اکولوژیست ها و مدیریت مرتبط با امور شهری از مدل های مختلف و متنوعی برای ارزیابی تغییرات کاربری و بررسی نتایج این تغییرات در آینده استفاده کرده اند و روزبه روز این مدل ها توسعه می یابند. هدف این پژوهش، ارزیابی رشد و توسعه گذشته تبریز و پیش بینی این تغییرات در آینده است. روش پژوهش توصیفی - تحلیلی است که به صورت کاربردی منطقه ای خاص را با استفاده از تصاویر ماهواره ای، داده ها و عوامل مؤثر بر توسعه گذشته و آتی شهر ارزیابی و مدل سازی کرده است. مدل LTM، ترکیبی از توانایی های شبکه های عصبی مصنوعی و سیستم اطلاعات جغرافیایی، در این پژوهش به کار رفته است. نخست داده ها به صورت رستری و پس از آن به صورت فرمت Acsi آماده و پس از ارزیابی تغییرات گذشته در شبکه های عصبی، نتایج به صورت نقشه های رستری تهیه شد. با انتخاب الگوی یادگیری و ساختار شبکه و نتایج روند توسعه شهری، توسعه احتمالی شهر تبریز برای سال 1405 مشخص شد. نتایج ارزیابی دوره 10ساله (1385 تا 1395) نشان دهنده توسعه رو به پیرامون و اسپرال شهری در تبریز است که طی آن بیشتر زمین های پیرامونی شهر به ساختار شهری تبدیل شده است. ادامه این روند برای توسعه شهر در سال های آتی، بیشتر زمین های کشاورزی و پیرامونی شهر را تغییر خواهد داد که نتایج توسعه احتمالی شهر در 1405 این موضوع را نشان می دهد و بیش از 3600 هکتار از زمین های پیرامونی به توسعه شهری اختصاص خواهد یافت. این امر باعث پیچیدگی مشکلات و چالش های شهری تبریز در آینده خواهد شد و ادامه این روند توسعه اسپرال شهری ضمن افزایش مشکلات زیست محیطی، هزینه های توسعه و مدیریت شهری را دوچندان خواهد کرد.
۶۷.

ارائه مدل چندپاسخه برای تخصیص اپراتورها و توالی انجام کارها در خط تولید سلولی مبتنی بر بهینه سازیِ شبیه سازی(مقاله علمی وزارت علوم)

نویسنده:
منبع: مدیریت تولید و عملیات سال دهم بهار و تابستان ۱۳۹۸ شماره ۱ (پیاپی ۱۸) 199 - 219

کلیدواژه‌ها: بهینه سازیِ شبیه سازی تحلیل پوششی داده ها تخصیص اپراتور توالی انجام کارها سیستم تولید سلولی شبکه های عصبی مصنوعی

حوزه های تخصصی:
تعداد بازدید : ۵۹۲ تعداد دانلود : ۲۹۹
هدف این مقاله، ارائه رویکردی مبتنی بر بهینه سازی شبیه سازی برای بهبود عملکرد سیستم تولید سلولی با بهینه سازی تخصیص منابع و تعیین توالی انجام کارها در هر سلول است. از فرضیات در نظر گرفته شده در این پژوهش، احتمالی بودن کلیه پارامترهای مدل، خرابی ماشین آلات و در نظر گرفتن چندین محصول در سیستم تولیدی است. ابتدا متغیرهای کنترل شدنی و پاسخ مسئله براساس هدف پژوهش و شرایط سیستم تولیدیِ درحال بررسی و حدود آنها تعیین شده است. سپس با استفاده از طراحی آزمایش های تاگوچی، سناریوهای آزمایشی براساس ترکیب متغیرهای کنترل شدنی طراحی شده است. بعد از آن با استفاده از شبیه سازی، سناریوهای آزمایشی ارزیابی و متغیرهای پاسخ مربوطه تعیین شده اند. درادامه برای بسط نتایج به کل فضای جواب از شبکه های عصبی مصنوعی استفاده شده است. درپایان سناریوی بهینه با استفاده از روش تحلیل پوششی داده ها مشخص شده است. در آخر عملکرد سناریوی بهینه شناسایی شده با وضعیت فعلی سیستم تولیدی مقایسه و میزان بهبود درصورت پیاده سازی سناریوی بهینه مشخص شده است. برای پیاده سازی رویکرد ارائه شده یک واحد تراشکاری صنعتی در نظر گرفته شده است که از سیستم سلولی استفاده می کند.
۶۸.

مدل سازی و پیش بینی کوتاه مدت تقاضای آب شهری(مقاله علمی وزارت علوم)

نویسنده:
منبع: مطالعات و سیاست های اقتصادی دوره ۷ پاییز و زمستان ۱۳۹۰ شماره ۲ 159 - 172

کلیدواژه‌ها: تقاضای آب پیش بینی شبکه های عصبی مصنوعی ARMA

حوزه های تخصصی:
تعداد بازدید : ۵۷۵ تعداد دانلود : ۳۳۰
آب به عنوان یکی از مهم ترین منابع تأمین نیاز بشر در زندگی روزمره نقش حیاتی ایفا می کند. لذا آگاهی از میزان تقاضای مورد نیاز آب جهت اعمال سیاست گذاری های لازم در راستای مدیریت تقاضا، از اهمیت ویژه ای برخوردار می باشد. در این مقاله، تقاضای روزانه آب شهر تهران برای یک دوره هفت ساله با استفاده از روش های غیرخطی شبکه عصبی مصنوعی و فرایند خطی ARMA مدل سازی گردید و در ادامه تقاضای روزانه آب شهری برای ده روز آینده پیش بینی گردید. در طراحی شبکه عصبی مصنوعی، عوامل مؤثر بر تقاضای روزانه آب شهری، دمای هوا(حداقل، حداکثر و متوسط)، روزهای هفته، ایام تعطیلات و روزهای خاص در نظر گرفته شد. نتایج حاصل از بکارگیری معیارهای ارزیابی دقت پیش بینی، نشان می دهد که شبکه عصبی مصنوعی در پیش بینی تقاضای روزانه آب شهر تهران نسبت به مدل ARMA از قدرت بالاتری برخوردار می باشد.
۶۹.

ارزیابی اثر مؤلفه های مکان و دما در بهبود برآورد مقدار محتوای الکترونی یونسفر در چند ایستگاه کشور(مقاله علمی وزارت علوم)

نویسنده:
منبع: سپهر دوره ۲۸ تابستان ۱۳۹۸ شماره ۱۱۰ 119 - 131

کلیدواژه‌ها: یونسفر شبکه های عصبی مصنوعی TEC موجک نقشه های یونسفری

حوزه های تخصصی:
تعداد بازدید : ۳۷۸ تعداد دانلود : ۳۲۵
یونسفر یکی از پدیده های پیچیده است که شامل مولکول های یونیزه شده توسط خورشید می باشد. ضرورت مطالعه یونسفر و مدل سازی آن از این حقیقت ناشی می شود که محتوای الکترونی یونسفر به پارامترهای زیادی بستگی دارند که دائما در حال تغییر هستند. انتشار امواج الکترومغناطیس در لایه یونسفر تحت تأثیر الکترون های آزاد این محیط بوده، بنابراین مدل سازی یونسفر در بسیاری از زمینه ها از قبیل ارتباطات مخابراتی، ناوبری و تعیین موقعیت ماهواره ای، سیستم های راداری و سایر فناوری های فضایی مورد توجه می باشد. طبیعت پیچیده یونسفر باعث شده مدل ها و روش های مختلف دو بعدی و سه بعدی جهت رسیدن به یک برآورد مناسب از مقدار محتوای الکترون یونسفر پایه گذاری، ارزیابی و مقایسه شوند. در این مقاله از شبکه های عصبی موجک جهت مدل سازی مقدار محتوای الکترون لایه یونوسفر (TEC) در ایستگاه های چهار شهر اهواز، ساری، کرمان و سقز در 365 روز از سال 2014 استفاده شده است. نتایج مدلسازی با روش های مذکور برای داده های مکانی و دماهای مختلف در ایران ارزیابی و مقایسه شده و به صورت کمی ارائه گردید. داده های مورد استفاده، نقشه های یونسفری می باشند که نمایشگر میزان محتوای مجموع الکترونی هستند. نتایج این تحقیق نشان دهنده تأثیر مؤلفه های مکانی و دما در کارایی شبکه عصبی موجک در برآورد محتوای الکترونی یونسفر می باشد. میانگین خطای نسبی به دست آمده برای حالت تلفیقی پارامترهای مکان، زمان و دما با استفاده از شبکه های عصبی موجک برابر 52/11 درصد بوده است. این مقدار برای حالت تلفیقی دو پارامتر به طور میانگین برابر 05/15 درصد به دست آمده است. مقایسه صورت گرفته در مورد خطا نشان دهنده برتری حالت تلفیقی سه پارامتر دما، مکان و زمان نسبت به سایر حالت ها در برآورد محتوای الکترونی یونسفر بوده است. همچنین در این مقایسه، بهترین مدل مربوط به حالت های مکان- دما- زمان، مکان- زمان و دما- زمان به ترتیب مربوط به شبکه های عصبی RBF, MLP و B-spline با تلفیق موجک مورلت بوده است.
۷۰.

ارائه مدلی برای پیش بینی هدف گیری سهام توسط معاملات بلوکی(مقاله علمی وزارت علوم)

نویسنده:
منبع: پژوهش های حسابداری مالی سال دهم پاییز ۱۳۹۷ شماره ۳ (پیاپی ۳۷) 87 - 102

کلیدواژه‌ها: معاملات بلوکی تصاحب کنترل شبکه های عصبی مصنوعی شبکه عصبی فازی

حوزه های تخصصی:
تعداد بازدید : ۳۵۰ تعداد دانلود : ۲۹۲
هدف این پژوهش ارائه مدلی برای پیش بینی هدف گیری سهام توسط معاملات بلوکی با استفاده از رگرسیون لجستیک می باشد. در این پژوهش ویژگی هایی مورد بررسی قرار می گیرد که در ارتباط با احتمال تبدیل شرکت ها به هدف معاملات بلوکی سهام هستند. برای این منظور داده-های مربوط به 117 شرکت عضو بورس اوراق بهادار تهران که هدف معاملات بلوکی با حجم معامله بالای 5 درصد قرار گرفته بودند و117 شرکت که هدف معاملات قرار نگرفته بودند، در دوره زمانی 1388-1396 انتخاب و با استفاده از روش لاجیت و پروبیت مورد بررسی قرار گرفتند. نتایج نشان داد اهرم مالی به صورت منفی بر فراوانیِ بلوک تجاری شدنِ شرکت ها تأثیر می گذارند. همچنین شرکت هایی که از جریان مالی آزاد و بالایی برخوردارند، دارای سهم بازار بالاتر، پراکندگی مالکیت بیشتر و نهادهای دولتی جزء سهام داران عمده آنها می باشند، احتمالاً به بلوک های تجاری تبدیل می شوند. در این پژوهش همچنین به مقایسه ای بین مدل ایجاد شده با رگرسیون لجستیک با سایر تکنیک های پیش بینی معروف، شبکه عصبی مصنوعی و شبکه های عصبی فازی گزارش شدند. نتایج نشان می دهند که رویکرد شبکه عصبی فازی در پیش بینی هدف گیری سهام در مقایسه با سایر تکنیک ها از دقت بالاتری برخوردار است.
۷۱.

بررسی رابطه بین ابعاد شخصیت و انگیزش با رضایت شغلی از راه شبکه های عصبی مصنوعی(مقاله علمی وزارت علوم)

نویسنده:
منبع: علوم روانشناختی دوره چهاردهم تابستان ۱۳۹۴ شماره ۵۴ 193-207

کلیدواژه‌ها: رضایت شغلی درونی نظریه شخصیت کلونینجر نظریه خود تعیین گری شبکه های عصبی مصنوعی

حوزه های تخصصی:
تعداد بازدید : ۳۲۲ تعداد دانلود : ۳۲۵
هدف از پژوهش حاضر بررسی قدرت پیش بینی کنندگی ابعاد شخصیتی نظریه کلونینجر و تنظیم های مختلف انگیزشی نظریه خود تعیین گری در رابطه با رضایت شغلی درونی در شرکت ذوب آهن اصفهان بوده است. برای این منظور از مدل شبکه های عصبی مصنوعی استفاده گردید. تعداد 202 نفر از کارکنان به روش نمونه گیری در دسترس در پژوهش شرکت داده شدند. آنها پرسشنامه های مزاج و خوی ( TCI-56 )، انگیزش کاری ( MAWS ) و رضایت شغلی درونی ( JSS ) را تکمیل کردند. نتایج نشان داد که انگیزش هم هویت شده، انگیزش درونی و بعد شخصیتی خود-راهبری به ترتیب در تعامل با سایر ابعاد شخصیتی و انگیزشی و ویژگی های جمعیت شناختی بیشترین اهمیت را در پیش بینی رضایت شغلی درونی دارا می باشند.
۷۲.

ارائه یک مدل برنامه ریزی ریاضی برای مسئله چیدمان تسهیلات پویا با در نظر گرفتن وسایل حمل کننده(مقاله علمی وزارت علوم)

نویسنده:
منبع: مطالعات مدیریت صنعتی سال هجدهم تابستان ۱۳۹۹ شماره ۵۷ 43 - 99

کلیدواژه‌ها: مساله چیدمان تسهیلات پویا شبیه سازی شبکه های عصبی مصنوعی الگوریتم های فراابتکاری چند هدفه

حوزه های تخصصی:
تعداد بازدید : ۴۹۸ تعداد دانلود : ۵۶۳
هدف مسئله چیدمان تسهیلات پویا، یافتن بهترین چیدمان برای تسهیلات در یک افق زمانی با تعدادی دوره زمانی مشخص است به گونه ای که مجموع هزینه های حمل مواد و جابجایی تسهیلات حداقل گردد. این نوشتار به توسعه یک مدل دو هدفه می پردازد و سعی دارد تا به طور همزمان هزینه انتقال مواد بین تسهیلات و هزینه جابجایی تسهیلات و نیز زمان مورد نیاز برای حمل مواد را کمینه کند. با توجه به احتمالی بودن مشخصات کارکردی حمل کننده ها، مانند زمان انجام عملیات حمل و وجود خرابی، محاسبه زمان مورد نیاز برای حمل مواد با استفاده از روابط تحلیلی امکان پذیر نمی باشد؛ بنابراین این نوشتار از رویکرد شبیه سازی و شبکه های عصبی مصنوعی استفاده می کند. در این رویکرد ابتدا سناریوهای زیادی از ترکیب سطوح مختلف متغیرها ایجاد می شود که هر سناریو نشان دهنده مکان تسهیلات و چگونگی انجام عملیات های حمل در هر دوره است. سپس هر یک از این سناریوها از طریق شبیه سازی کامپیوتری اجرا و نتایج حاصل از شبیه سازی به عنوان متغیر پاسخ در نظر گرفته می شود. در نهایت با استفاده از متغییرهای ورودی و پاسخ، یک شبکه عصبی مصنوعی تربیت می شوند تا بتواند زمان انجام عملیات های حمل را به خوبی براورد کرد. با توجه به که این مساله در درجه پیچیدگی سخت قرار می گیرد، این نوشتار استفاده یک الگوریتم فراابتکاری جدید را برای بهینه سازی مسئله پیشنهاد می دهد و کارایی الگوریتم پیشنهادی را با الگوریتم های موجود در ادبیات مقایسه می کند.
۷۳.

کشف تقلب در صورت های مالی: تحلیل تفاوت بین تکنیک های داده کاوی و قضاوت(مقاله علمی وزارت علوم)

نویسنده:
منبع: بورس اوراق بهادار سال سیزدهم پاییز ۱۳۹۹ شماره ۵۱ 119 - 140

کلیدواژه‌ها: تقلب در صورت های مالی قضاوت حسابرس شبکه های عصبی مصنوعی درخت تصمیم روش فرآیند سلسله مراتبی

حوزه های تخصصی:
تعداد بازدید : ۹۱۰ تعداد دانلود : ۵۱۲
هدف پژوهش حاضر، شناسایی و رتبه بندی عوامل مؤثر بر کشف تقلب صورت های مالی با استفاده از تکنیک قضاوت به روش فرآیند سلسله مراتبی و تکنیک های داده کاوی می باشد. جامعه ی آماری شامل حسابرسان ارشد، سرپرستان، سرپرستان ارشد، مدیر حسابرسی و شریک مؤسسه ی و همچنین شرکت های بورس اوراق بهادار تهران می باشد. در راستای هدف پژوهش، تعداد 56 پرسش نامه و داده های 109 شرکت بورسی طی دوره ی زمانی 1391 تا 1396 گردآوری و مورد تحلیل قرار گرفت. بر اساس تکنیک قضاوت، بعد فشار اولویت اول، فرصت دومین عامل و توجیه به عنوان سومین عامل مؤثر بر کشف تقلب رتبه بندی می شوند که این نتایج با سایر تکینک-ها تفاوت دارد. از لحاظ تجربی، رویکردهای شبکه ی عصبی و درخت تصمیم در طبقه بندی صحیح نمونه ی مورد آموزش و آزمایش شبکه از نرخ دقت 65/98 درصد (شبکه ی عصبی)، 5/91 درصد (درخت تصمیم ) و 79/69 درصد (شبکه ی عصبی)، 10/69 درصد (درخت تصمیم ) برخوردار است، که از مدل لجستیک دقیق تر می باشد که در این روش تنها به 32/72 درصد و 10/88 درصد طبقه بندی صحیح در ارزیابی وقوع تقلب می رسد. علاوه بر این، به طور قابل توجه خطای نوع دوم ناشی از مدل درخت تصمیم در مقایسه با بکارگیری شبکه ی عصبی و مدل لجستیک از 18/58 درصد و 7/72 درصد به 6/55 درصد کاهش می یابد. با توجه به شاخص دقت، مدل درخت تصمیم نسبت به سایر مدل ها از کارآیی بیشتری برخوردار است؛ بنابراین از بین تکنیک های داده کاوی، وزن هر کدام از متغیرهای ورودی مدل درخت تصمیم مبنای رتبه بندی نهایی متغیرهای پژوهش قرار گرفته است.
۷۴.

یادگیری عمیق ماشینی؛ چالش های فلسفی و رهیافت ها(مقاله علمی وزارت علوم)

نویسنده:
منبع: فلسفه علم سال دهم پاییز و زمستان ۱۳۹۹ شماره ۲ (پیاپی ۲۰) 185-202

کلیدواژه‌ها: یادگیری ماشین یادگیری عمیق شبکه های عصبی مصنوعی اخلاق اطلاعات چالش فلسفی

حوزه های تخصصی:
تعداد بازدید : ۴۶۷ تعداد دانلود : ۵۶۵
پیشرفت شگرف بشر در تولید و ذخیره سازی انبوه داده ها و نیز استفاده از آن ها در ساختن ماشین استنتاج گر، امروزه در قالب یک فناوری پیشرفته به نام «یادگیری عمیق ماشینی» ظهور یافته است. این فناوری با الهام از اتصالات موجود در ساختار مغز جانداران طراحی شده و از شبکه های عصبی مصنوعی عمیق قدرت می گیرد. توانایی آن در استنتاج خبره گونه در زمینه های مختلف و یا تولید آثار مشابه افراد زبردست، با وجود مزایای بسیار، انسان امروز را با چالش های مختلفی رو در رو می سازد. این نوشتار تلاش می کند با رویکرد نظام مند عقلی- فلسفی به تحلیل و معرفی چالش های اخلاقی یادگیری عمیق ماشینی و ارائه رهیافت مناسب در قبال هر یک از این چالش ها بپردازد. اگرچه یادگیری عمیق ماشینی چالش های قابل توجهی بر سر راه انسان قرار داده، با آگاهی و چاره اندیشی نسبت به آن ها، می توان در عین بهره بردن از مزایای چشمگیر این فناوری، ارزش های انسانی را نیز آگاهانه محافظت نمود. واژگان کلیدی یادگیری ماشین، یادگیری عمیق، شبکه های عصبی مصنوعی، اخلاق اطلاعات، چالش فلسفی.
۷۵.

پیش بینی تقاضای آب شهر همدان با استفاده از شبکه های عصبی مصنوعی

نویسنده:
منبع: مطالعات محیطی هفت حصار سال چهارم بهار ۱۳۹۵ شماره ۱۵ ۷۱-۸۱

کلیدواژه‌ها: شبکه های عصبی مصنوعی تقاضای کوتاه مدت آب پارامترهای هواشناسی مصرف آب

حوزه های تخصصی:
تعداد بازدید : ۲۲۴ تعداد دانلود : ۲۲۸
پیش بینی تقاضای آب شهری کمک مؤثری به مدیران و بهره برداران سیستم های آب شهری می باشد تا بتوانند نسبت به مدیریت صحیح مصرف، مخازن، پمپ ها، شیرآلات و تصفیه خانه ها اقدام نمایند. مصرف کوتاه مدت آب تابعی از پارامترهای مختلف و متنوع مانند شرایط اقلیمی و هواشناسی، مناسبت های فرهنگی، اقتصادی، اجتماعی و مصارف گذشته می باشد. به دلیل همین تنوع، پیش بینی مصرف کوتاه مدت به صورت تحلیلی بسیار مشکل و یا ناممکن می باشد. در این شرایط استفاده از سیستم های هوشمند مانند شبکه های عصبی مصنوعی می تواند به عنوان یک گزینه راهگشا مطرح گردد. در این تحقیق با استفاده از شبکه های عصبی پرسپترون چندلایه و با الگوریتم آموزشی پس انتشار خطا، میزان مصرف یک روزه آب شهر همدان بر اساس پارامترهای هواشناسی و داده های تاریخی مصارف گذشته پیش بینی می شود. نتایج این تحقیق نشان می دهد که با اطلاعات محدود قابل دسترس، شبکه عصبی با دولایه نهان که به ترتیب دارای یک و هفت نرون می باشند توانسته است میزان تقاضای روزانه آب شهر همدان را با ضریب همبستگی بیش از ۸5 درصد و خطای متوسط حدود دو درصد تخمین بزند. بدیهی است با افزایش تعداد داده ها در یک دوره زمانی گسترده تر، میزان دقت مدل قابل بهبود می باشد. در این مقاله همچنین با استفاده از شبکه های عصبی مصنوعی، یک فرمول ساده برای پیش بینی میزان مصرف روزانه آب شهر همدان تولیدشده است و با ورود داده های درجه حرارت هوا و مصرف آب روز قبل، میزان مصرف روز بعد به دست می اید. نتایج این تحقیق نشان می دهد که این فرمول قادر است میزان تقاضای روزانه آب شهر همدان را با میانگین خطای مطلق حدود 75/2 درصد، تخمین بزند.
۷۶.

راهکاری مبتنی بر شبکه های عصبی کاملاً کانوولوشنی برای تشخیص هم زمان جاده ها و ساختمان ها در تصاویر هوایی(مقاله علمی وزارت علوم)

نویسنده:
منبع: سنجش از دور و GIS ایران سال سیزدهم تابستان ۱۴۰۰ شماره ۲ (پیاپی ۵۰) 39 - 60

کلیدواژه‌ها: یادگیری عمیق شبکه های عصبی مصنوعی شبکه های عصبی کانوولوشنی تصاویر هوایی شناسایی جاده شناسایی ساختمان شناسایی عوارض طبیعی هوش مصنوعی

حوزه های تخصصی:
تعداد بازدید : ۳۲۴ تعداد دانلود : ۲۱۱
توسعه سیستم های خودکار تشخیص جاده و ساختمان در تصاویر هوایی همواره با چالش های مهمی مانند متفاوت بودن ظاهر ساختمان ها، تغییرات روشنایی، زاویه تصویربرداری و فشرده و چگال بودن جاده ها و ساختمان ها در نواحی شهری روبه روست. در چند سال اخیر، استفاده از شبکه های عصبی مصنوعی چندلایه (شبکه های عصبی عمیق) مورد توجه بسیاری از پژوهشگران این حوزه (و حوزه های مشابه) قرار گرفته و نتایج خیره کننده ای با به کارگیری آنها حاصل شده است. باوجوداین، به دلیل استفاده از لایه های کاملاً متصل در راهکار های داده شده، میانگین مدت زمان پردازش هنوز بسیار زیاد است و مدل ساخته شده نیز به سرعت دچار پدیده بیش برازش می شود. علاوه براین، در بیشتر روش های پیشنهادی، برای تفسیر تصاویر هوایی براساس چنین راهکاری از رویکرد تک کلاس استفاده شده است. به عبارتی، تشخیص جاده ها و ساختمان ها از عوارض طبیعی به طور هم زمان امکان پذیر نیست و لازم است مدل های جداگانه ای برای تشخیص هریک از آنها ایجاد شود. هدف اصلی، در این پژوهش، طراحی معماری جدیدی است که مدل ساخته شده با استفاده از آن بتواند، هم زمان، جاده ها و ساختمان ها را از عوارض طبیعی تشخیص دهد و به این ترتیب، پیچیدگی عمل طبقه بندی را به حداقل برساند. همچنین، در طراحی معماری پیشنهادی، حذف لایه های کاملاً متصل از معماری چندلایه ای مرسوم و در نتیجه، کاهش میانگین مدت زمان پردازش مورد توجه قرار گرفته است. نتایج آزمایش های انجام گرفته روی بانک تصاویر هوایی ماساچوست نشان می دهد عملکرد معماری پیشنهادی %۳۸ سریع تر از دیگر روش های مبتنی بر شبکه های عصبی چندلایه بوده است و دقت تشخیص را به طور میانگین، %۲ افزایش می دهد.
۷۷.

عوامل موثر بر تمایل به ترک سازمان با استفاده از الگوریتم های مبتنی بر شبکه عصبی و ژنتیک چند هدفه(مقاله علمی وزارت علوم)

نویسنده:
منبع: مدیریت منابع انسانی در صنعت نفت سال دهم زمستان ۱۳۹۷ شماره ۳۸ 75-104

کلیدواژه‌ها: جایگزینی داده کاوی انتخاب کارکنان شبکه های عصبی مصنوعی الگوریتم ژنتیک چندهدفه

حوزه های تخصصی:
تعداد بازدید : ۳۵۱ تعداد دانلود : ۱۷۸
بهبود بازدهی سرمایه انسانی از آنجا که می تواند نقش موثری در کارایی سازمان داشته باشد، همواره یکی از موضوعات پژوهش بوده است . میزان تمایل به ترک سازمان یکی از عوامل تأثیرگذار بر کارایی سرمایه انسانی است که آن را می توان با استفاده از الگوهای درون داده ای، شرایط حاکم بر سازمان و بررسی عوامل مؤثر بر آن پیش بینی کرد. به همین منظور، از الگوریتم های هوشمند مبتنی بر شبکه عصبی و الگوریتم ژنتیک چندهدفه برای پیش بینی تمایل کارکنان به ترک سازمان در این پژوهش بهره گرفته شده است. در این راستا، ابتدا با طراحی پرسشنامه ای، نظرات کارکنان شرکت بهره برداری نفت و گاز کارون در مورد رضایت مندی و تمایل به ترک سازمان، جمع آوری شد و بر اساس آن، یک مجموعه داده تدوین گردید. سپس با استفاده از شبکه های عصبی مصنوعی به عنوان طبقه بند و الگوریتم تکاملی ژنتیک چندهدفه برای انتخاب ویژگی های مؤثر، یک سیستم خبره طراحی شد. به منظور تست و ارزیابی الگوریتم شبکه عصبی طراحی شده با مجموعه داده استاندارد ایجادشده، آموزش های لازم ارائه شد . نتایج ارزیابی سیستم پیشنهادی بیانگر آن است که با به کارگیری الگوریتم ژنتیک چندهدفه و شبکه های عصبی مصنوعی می توان مدلی ارائه کرد تا علاوه بر پیش بینی میزان تمایل کارکنان به ترک سازمان با دقت بالای 88%، با انتخاب ویژگی های مؤثر، عوامل کلیدی ترک سازمان را نیز مشخص کند
۷۸.

تحلیلی نوین در شناسایی الگوهای موفقیت کارآفرینی در صنایع کوچک و متوسط با استفاده از داده کاوی(مقاله علمی وزارت علوم)

نویسنده:
منبع: پژوهشنامه بازرگانی سال ۲۵ بهار ۱۴۰۰ شماره ۹۸ 27 - 58

کلیدواژه‌ها: صنایع کوچک و متوسط کارآفرینی صنعتی داده کاوی شبکه های عصبی مصنوعی درخت تصمیم گیر

حوزه های تخصصی:
تعداد بازدید : ۳۰۰ تعداد دانلود : ۲۶۲
کارآفرینی در صنایع کوچک و متوسط همواره از اهمیت زیادی برخوردار بوده است چرا که علاوه بر داشتن نقش اساسی در اشتغال یک کشور موجب رشد اقتصادی و افزایش تولید ناخالص ملی نیز خواهد شد. هدف از تحقیق حاضر بررسی عواملی است که می تواند موجب موفقیت کارآفرینی در بخش صنایع کوچک و متوسط شده و راهی نشان دهد تا از این پس کارآفرینان صنعتی با آگاهی بیشتری پای در این عرصه مهم اقتصادی بگذارند. این تحقیق، یک مطالعه موردی است از کارآفرینان بخش صنعت در کشور ایران که در حد فاصل سال های 1390 تا 1393 اقدام به اخذ مجوز اولیه جهت تاسیس کارخانه (جواز تاسیس) نموده و برخی از آنان موفق به بهره برداری از کارخانه (پیشرفت فیزیکی صددرصد) شده و برخی دیگر از این امر ناکام مانده اند. برای این تحقیق داده های خام 4580 مورد از جوازتاسیس سرمایه گذاران مورد بررسی قرار گرفت. جهت تعیین الگوهای موجود و تعیین کننده در موفقیت کارآفرینی ، با استفاده از مفاهیم داده کاوی، اطلاعات موجود برای تحلیل های بعدی پیش پردازش شده و با کاهش برخی متغیرهایی که تاثیر کمتری در نتایج داشتند در نهایت طی تحلیل های تخصصی با استفاده از شبکه های عصبی پرسپترون چند لایه، درخت تصمیم گیر والگوریتم رافست ،بهترین قوانین ، استخراج شده و دقت نتایج در هریک تحلیل گردید. براساس نتایج بدست آمده عواملی چون داشتن سابقه صنعتی ، تحصیلات مرتبط با صنعت مورد نظر و بومی بودن سرمایه گذار می تواند نقش مهمی در موفقیت این نوع کارآفرینی داشته باشد.
۷۹.

استفاده از یک رویکرد ترکیبی برپایه ی شبکه های عصبی مصنوعی و نظریه ی مجموعه ی ناهموار برای مدل سازی وفاداری مشتریان به شناسه در صنعت خدمات تلفن همراه(مقاله علمی وزارت علوم)

نویسنده:
منبع: مدیریت بازرگانی دوره ۴ پاییز ۱۳۹۱ شماره ۳ 43 - 64

کلیدواژه‌ها: وفاداری به شناسه شبکه های عصبی مصنوعی نظریه ی مجموعه ی ناهموار خدمات تلفن همراه کیفیت خدمات

حوزه های تخصصی:
تعداد بازدید : ۳۳۲ تعداد دانلود : ۱۰۹
هدف این پژوهش مدل سازی وفاداری مشتریان به شناسه (برند) و بررسی عوامل مؤثر بر آن، در صنعت خدمات تلفن همراه است. بدین منظور از یک رویکرد ترکیبی برپایه ی روش شبکه های عصبی مصنوعی و مجموعه ی ناهموار استفاده شده است. در مرحله ی نخست با مرور پیشینه ی پژوهش، عوامل مؤثر بر وفاداری مشتریان شناسایی شدند. سپس از طریق توزیع پرسش نامه بین 913 مشترک دو اپراتور تلفن همراه ایرانسل و همراه اول در سطح استان یزد، داده های مورد نیاز گردآوری شدند. مؤثرترین مجموعه های ویژگی (عوامل) در تبیین وفاداری مشتریان به شناسه با استفاده از نظریه ی مجموعه ی ناهموار شناسایی شدند. سپس بهترین مجموعه ی ویژگی برپایه ی رویکرد شبکه ی عصبی مصنوعی انتخاب شد و از آن برای مدل سازی و تحلیل وفاداری مشتریان به شناسه استفاده شد. درنهایت، پس از ارائه ی مدل نهایی شبکه ی همراه با وزن های روابط، از طریق تحلیل حساسیت، متغیرهای ورودی شبکه برپایه ی تأثیرشان بر وفاداری مشتریان، اهمیت سنجی و رتبه بندی شدند. نتایج نهایی پژوهش نشان می دهند اعتبار شناسه، تصویر استفاده کننده و تعرفه های پرداخت، از مؤثرترین عوامل در وفاداری مشترکان تلفن همراه به شناسه هستند.
۸۰.

بخش بندی مصرف کنندگان در شبکه های اجتماعی بر اساس انگیزه های اجتماعی مشارکت در ارتباطات دهان به دهان الکترونیک(مقاله علمی وزارت علوم)

نویسنده:
منبع: مدیریت بازرگانی دوره ۱۱ بهار ۱۳۹۸ شماره ۱ 201 - 218

کلیدواژه‌ها: ارتباطات دهان به دهان الکترونیک انگیزه بخش بندی شبکه های عصبی مصنوعی نقشه های خودسازمان ده

حوزه های تخصصی:
تعداد بازدید : ۲۴۲ تعداد دانلود : ۱۵۳
هدف: کارکرد مهم شبکه های اجتماعی در بازاریابی، تولید محتوا و تبلیغات رایگان، بدون دخالت شرکت ها و توسط کاربران است که به آن ارتباطات دهان به دهان الکترونیک می گویند. هدف از اجرای این پژوهش شناسایی انگیزه های اجتماعی مؤثر بر رفتارهای دهان به دهان در شبکه های اجتماعی و بخش بندی کاربران بر اساس انگیزه های شناسایی شده است. روش: این پژوهش از نظر هدف کاربردی و از نظر روش اجرا در دسته پژوهش های توصیفی پیمایشی قرار می گیرد. داده های این پژوهش از طریق توزیع لینک پرسشنامه به بیش از 385 نفر از کاربران شبکه های اجتماعی و با روش نمونه گیری در دسترس، جمع آوری شده است. به منظور تحلیل داده ها و بخش بندی کاربران شبکه های اجتماعی نیز از رویکرد نقشه های خودسازمان ده مبتنی بر شبکه های عصبی مصنوعی استفاده شده است. یافته ها: بر اساس یافته ها، کاربران شبکه های اجتماعی در سه بخش با ویژگی های مختلف جمعیت شناختی، رفتاری و همچنین انگیزه های اجتماعی مؤثر بر رفتارهای دهان به دهان، قرار گرفتند. این سه بخش کم انگیزه های اجتماعی فعال، باانگیزه های اجتماعی فعال و باانگیزه های اجتماعی غیرفعال نام گذاری شدند. نتیجه گیری: بخش اول کاربرانی هستند که زمان نسبتاً زیادی را در شبکه های اجتماعی صرف می کنند، ولی برای مشارکت در رفتارهای دهان به دهان انگیزه های اجتماعی کمتری دارند. بخش دوم، کاربران جوانی هستند که بیشترین زمان را به فعالیت در شبکه های اجتماعی اختصاص می دهند و بسیار با انگیزه اند و بخش سوم کسانی هستند که از انگیزه کافی برخوردارند ولی زمان بسیار کمی را به فعالیت در شبکه های اجتماعی اختصاص می دهند. در پایان، پیشنهادهای کاربردی متناسب با هر یک از بخش های شناسایی شده ارائه شد.