شبکه های عصبی مصنوعی

در سیستم های مدیریت ارتباط با مشتریان، اهمیت و عملکرد ویژگی های خدمت بسیار حائز اهمیت است. تحلیل اهمیتعملکرد ابزار مؤثری برای اولویت بندی ویژگی های خدمت بر پایه نیاز ها و انتظارهای مشتریان و همچنین شناسایی نقاط قوت و ضعف سازمان در بازار است. در این پژوهش با هدف افزایش اعتبار و کاربرد نتایج به دست آمده از تحلیل اهمیت-عملکرد، ابتدا مشتریان بر پایه ویژگی های جمعیت شناختی و همچنین ادراک شان از عملکرد ویژگی های خدمت بخش بندی می شوند سپس برای هر بخش به صورت جداگانه ماتریس اهمیت- عملکرد ارائه می شود. برای بخش بندی مشتریان از نقشه های خودسازمانده و برای محاسبه ی اهمیت ویژگی ها در هر بخش از شبکه ی عصبی پیشخور چندلایه استفاده شده است. یافته های پژوهش نشان می دهد، مشترکان تلفن همراه در استان یزد را می توان در سه بخش دسته بندی کرد. ماتریس اهمیت- عملکرد ویژگی های خدمت مختص هر یک از این بخش ها نیز شناسایی شده، بر پایه نتایج، پیشنهادهایی به شرکت های ارائه کننده خدمات تلفن همراه ارائه شده است.

اقتصاد هر کشور از بخش های مختلفی تشکیل شده که روابط بین این بخش ها، سمت و سوی اقتصاد آن کشور را مشخص می کند. در این میان بازار سرمایه در کنار بازار پول، به عنوان اجزای تشکیل دهنده بازارهای مالی بوده و در واقع، شریان های اصلی یک اقتصاد محسوب می شوند، که مسائلی نظیر رشد و توسعه اقتصادی منوط به عملکرد آنها در اقتصاد است و چنانچه رابطه منطقی بین بازار مالی با بخش های دیگر اقتصادی وجود نداشته باشد، احتمال بروز اختلالات و نقصان هایی در ساز و کار اقتصاد وجود دارد. بازار بورس به عنوان رکن اصلی بازار مالی نقش مهمی را در تسهیل سرمایه گذاری های شکل گرفته در بازار سرمایه ایفا می کند. هدف اصلی این پژوهش پیش بینی شاخص قیمت سهام بورس تهران است. بدین روی، ضمن مرور اجمالی بر شناخته شده ترین نظریه های اقتصادی، به ارائه روش جدیدتری نسبت به روش های دیگر رایج پیش بینی در گذشته پرداخته و با استفاده از مدل شبکه عصبی GMDH، اثر متغیرهای کلان اقتصادی (شامل نرخ ارز، نرخ تورم و تولید ناخالص داخلی) بر شاخص قیمت سهام بورس اوراق بهادار تهران را الگوسازی و پیش بینی میکنیم. الگوریتم GMDH قابلیت استفاده در موضوع های متنوعی مانند کشف روابط، پیش بینی، مدل سازی سیستم ها، بهینه سازی و شناخت الگوهای غیرخطی را دارد. ویژگی خاص این الگوریتم استنتاجی، قابلیت شناسایی و غربال کردن متغیرهای کم اثر ورودی در دوره آموزش شبکه و حذف آنها از روند شبیه سازی در دوره آزمون است. بدین ترتیب، می توان با انجام یک فرآیند قیاسی، در چند مرحله تکرار، متغیرهای کم اثرتر را حذف نمود و در نهایت، مدل بهینه برای پیش بینی را بر اساس معیارهای رایج خطا نظیر RMSE و MAPE به دست آورد. افزون براین، این الگوریتم قادر به شناسایی و رتبه بندی تأثیرگذارترین متغیرها نیز می باشد. نتایج به دست آمده حاکی از دقت بسیار بالا و قابلیت فوق العاده الگوریتم GMDH در پیش بینی شاخص قیمت سهام بورس تهران است، به طوری که خطای حاصل از پیش بینی شاخص قیمت سهام بورس تهران برای داده-های سالانه 0.37درصد، ماهانه 0.35درصد و برای فصلی 2.04درصد است. همچنین، نتایج نشان می دهد که در بهترین مدل غیرخطی پیش بینی شاخص قیمت سهام با استفاده از مدل شبکه عصبی GMDH متغیرهای نرخ ارز، نرخ تورم و تولید ناخالص داخلی همگی جزء متغیرهای مؤثر بوده و هیچکدام از مدل حذف نشدند

باتوجه به تاثیر بازار بورس در تامین مالی و توسعه کشور، یافتن روشی مناسب برای پیش بینی بازار سهام اهمیت بسیاری دارد. به دلیل امکان وجود روابط غیرخطی در بازارهای مالی، هدف این مقاله، ارزیابی قدرت پیش بینی مدل های خطی و غیرخطی در بازار سهام است. ابتدا با استفاده از مدل سری های زمانی و شبکه عصبی مصنوعی [i] ، متغیر هفتگی شاخص قیمت سهام در بورس اوراق بهادار تهران در سال های 83 تا 87 برآورد شده و سپس قدرت پیش بینی دو مدل در سال های 87 تا 89 آزمون شده است. نتایج، بیانگر عدم اختلاف معنی دار دو مدل می باشد <br clear="all" /> [i]. Artifitial Neural Network

کمبود بارش در یک دوره می تواند سبب کاهش تغذیه شود که به دنبال آن کاهش جریان سطحی و افت آب های زیرزمینی را سبب می شود. با توجه به اهمیت منابع آب در زندگی بشر, ایجاد تنش در دستیابی به منابع پایدار و قابل اطمینان اهمیت زیادی در میزان توسعه و پیشرفت جامعه دارد. این تنش ها می تواند به دلایل طبیعی و یا استفاده نادرست و غیر معقولانه از منابع آبی باشد و همراهی این دو عامل با هم سبب تشدید این تنش ها می شود. هدف از این پژوهش بررسی فراسنج های مؤثر در تغییرات دبی ماهانه در حوضه آبی دهگلان است. داده های مورد استفاده در این تحقیق شامل بارش ، تبخیر (حاصل از تشت تبخیر), دما و دبی ایستگاه های واقع در حوضه آبی دهگلان می باشد که از سازمان هواشناسی و شرکت آب منطقه ای استان کردستان اخذ شده است. ابتدا داده های مربوط به بارش در سطح حوضه با استفاده از شاخص SPI استاندارد شده و سایر داده های اقلیمی و هیدرولوژیکی نیز نرمال سازی شد. سپس با استفاده از شبکه های عصبی مصنوعی و به روش پرسپترون چند لایه مدل های مختلفی از این داده ها مورد بررسی قرار گرفت. نتایج حاصل از بررسی مدل های مختلف نشان می دهد که بیشترین همبستگی و حداقل مربعات خطا در شرایطی بدست می آید که شاخص SPI در مقیاس 6 ماهه, دبی در ماه قبل و دما وتبخیر در ماه حاضر به عنوان ورودی شبکه و دبی ماه حاضر به عنوان خروجی به مدل معرفی شود. مقایسه روش شبکه های عصبی مصنوعی و رگرسیون چند متغییره حاکی از نتایج بهتر در پیش بینی دبی ماهانه با استفاده از شبکه های عصبی مصنوعی است.

با توجه به توانایی شبکه های عصبی مصنوعی در شبیه سازی فرایندهای بسیار پیچیده، از آن ها برای پیش بینی و محاسبه پارامترهای اقلیمی استفاده می شود. هدف این پژوهش نیز پیش بینی دمای حداکثر روزانه در استان کرمان می باشد. بدین منظور پارامترهای اقلیمی روزانه به عنوان ورودی شبکه های عصبی، و دمای حداکثر روزانه به عنوان خروجی شبکه، طی دوره آماری 24 ساله (2013-1989) مورد استفاده قرار گرفته است نتایج این تحقیق بعد از آزمون شبکه، نشان داد که. شبکه پرسپترون چند لایه با توجه به میزان خطا و همبستگی بین داده ها از دقت بیشتری برخوردار است وخطای کمتر و همبستگی بیشتری نسبت به خروجی مورد نظر (دمای حداکثر روزانه) را نشان می دهد. همچنین از بین پارامترهای اقلیمی استفاده شده دمای حداقل و میانگین دمای تر نسبت به دیگر پارامترهای اقلیمی ورودی شبکه عصبی پیش بینی دمای حداکثر روزانه را با خطای کم و همبستگی بیشتری نشان می دهند.

یکی از مهمترین مخاطرات پیشروی بانکها ریسک نقدینگی است، بنابراین بانکها باید سیستمهای اطلاعاتی مناسبی برای اندازه گیری، پیشبینی و کنترل ریسک نقدینگی داشته باشند، هر بانکیا مؤسسه مالی و اعتباری با توجه به شرایط، ویژگیهاو نوع فعالیت، با استفاده از ابزارها و روشهای مختلفی ریسک نقدینگی خود رامدیریت میکند، با وجود تفاوتهای اساسی در اندازه، نوع فعالیت و ساختار بانکهای دولتی با یکدیگر، آیا با استفاده از شاخص های حسابداری وشبکه عصبی امکان مدل سازی و پیش بینی ریسک نقدینگی بانک های دولتی وجود دارد؟برای پاسخ به این سوال در این پژوهشابتدا با استفاده از اطلاعات حسابداری هشت بانک، که کل بانکهایدولتی ایران را تشکیل میدهند، به صورت جداگانه ،شاخص های حسابداری پژوهش محاسبه وریسک نقدینگی توسط شبکه عصبی پرسپترون چند لایه مدلسازی شد.سپس اختلاف نتایج حاصل از مدل با اطلاعات واقعی با استفاده از معیار میانگین مربعات خطا اندازه گیری شد. نتایج پژوهش نشان داد که از مدل طراحی شده، میتوان برای پیش بینی ریسک نقدینگی بانکهای دولتی ایران استفاده کرد.

هدف از پژوهش حاضر مدل سازی قدرت تبخیر جو با استفاده از شبکه عصبی مصنوعی و الگوریتم جنگل می باشد. برای پیش بینی تبخیر، از ترکیب شبکه عصبی مصنوعی و الگوریتم بهینه سازی جنگل کمک گرفته شد. سپس با بهره گیری از داده های هواشناختی، به مدل سازی قدرت تبخیر جو با استفاده از شبکه عصبی مصنوعی MLP و الگوریتم بهینه سازی جنگل پرداخته شد. با استفاده از پنج داده ورودی شامل مقادیر دما، نم نسبی، ساعات آفتابی، فشار هوا، سرعت باد و یک داده خروجی شامل میزان تبخیر حاصل از تشتک تبخیر ایجاد شد. از سویی برای آرایش هر ساختار، هر گروه شبکه با تعداد پنج نورون برای یک لایه پنهان آموزش داده شد. بنا بر نتایج بدست آمده، روش پیشنهادی جنگل، میزان قدرت یا پتانسیل تبخیر جو تبریز را با خطای 0.12678 میلی متر در ماه پیش بینی نمود و الگوریتم بهینه سازی جنگل توانسته به نتیجه بهتری دست پیدا کند. بنابراین جهت مدل سازی قدرت تبخیر جو در ایستگاه سینوپتیک تبریز بسیار مناسب است از الگوریتم یاد شده استفاده گردد زیرا بر مبنای این روش می توان میزان قدرت یا پتانسیل تبخیر جو تبریز را با خطای 0.12678 میلی متر در ماه پیش بینی نمود.

اگر چه یافته های بشری در ارتقاء کیفیت زندگی و توسعه سطح رفاه جامعه و توسعه اقتصادی و اجتماعی نقش به سزایی ایفا می کند اما این یافته ها تا زمانی که جنبه کاربردی پیدا نکرده و به بازار عرضه نشوند یا در دسترس متقاضیان قرار نگیرند از اهمیت لازم برخوردار نبوده و نمی توانند هزینه های تحقیق را جبران کند. شواهد متعدد از سراسر دنیا حاکی از این است که هر چند تعداد کثیری از تحقیقات از نظر فنی موفق بوده اند، اما تنها درصد اندکی از آنها در زمینه تجاری سازی به موفقیت دست یافته اند که این امر نشان دهنده پیچیدگی فرآیند تجاری سازی است. در این راستا، شناسایی عوامل مؤثر بر تجاری سازی این ایده ها و پیش بینی احتمال موفقیت آن ها می تواند مخترعین و نوآوران را در تجاری سازی یاری رساند. بر این اساس، پژوهش حاضر با هدف بررسی عوامل مؤثر بر تجاری سازی اقدامات نوآورانه و پیش بینی موفقیت آن ها در استان یزد انجام گرفته است. در این راستا، ابتدا متغیرهای مؤثر برتجاری سازی اختراعات و ابتکارات شناسایی شده و سپس بهترین مدل شبکه عصبی مصنوعی برای پیش بینی احتمال موفقیت این اختراعات ارائه گردیده است. نتایج این تحقیق نشان داده است که متغیرهای جمعیت شناختی، عوامل فردی- شخصی، فنی- فناورانه، بازار، مالی و اداری- قانونی بر موفقیت تجاری سازی تأثیرگذارند. همچنین در میان مدل های اجرا شده، مدل پرسپترون چندلایه (MLP) همراه باالگوریتم پس انتشار خطا (EBP) با 2 لایه پنهان با تابع محرک سیگموئید در لایه های پنهان و تابع محرک خطی در لایه خارجی هم در درصد جواب صحیح و هم در سایر معیارهای کارایی از وضعیت بهتری برخوردار است.

مقدمه: حدود 15-10 درصد از زوجین نابارور هستند. ناباروری علل متفاوتی دارد و تشخیص روش درمان بیماران بر اساس نوع عامل ناباروری آن ها انجام می شود. در این تحقیق مدلی ارائه شده است که بر اساس ویژگی های اولیه و نتایج آزمایشات ساده علل ناباروری افراد را پیش بینی می کند که می تواند به پزشکان در تشخیص زودهنگام علت ناباروری و تصمیم گیری بهینه کمک کند. روش کار: داده های این تحقیق برگرفته از داده های ناباروری بیمارستان صارم تهران می باشد. در این تحقیق از روش های دادهکاوی استفاده شده است. ابتدا روش خوشه بندی k-means و سپس روش های دسته بندی ماشین بردار پشتیبان (SVM: Support Vector Machine) و شبکه های عصبی مصنوعی به منظور پیش بینی نوع علل ناباروری، اجرا و نتایج دو الگوریتم دسته بندی با هم مقایسه شدند. همچنین برای تحلیل داده ها و اجرای الگوریتم های بخش مدل، از نرم افزار SPSS Clementine 12.0 استفاده شده است. یافته ها: در بخش خوشه بندی بر اساس الگوریتم K-means داده ها به پنج خوشه تقسیم شدند. در هر گروه یک یا چند علت ناباروری مشاهده شد. در ادامه و با اجرای الگوریتم های دسته بندی SVM و شبکه عصبی مصنوعی، مشخص شد که الگوریتم SVM با نوع کرنل چندجمله ای بالاترین کارایی را به دست آورد. نتیجه گیری: انجام این تحقیق علاوه بر اینکه منجر به شناخت بهتر ویژگی های بیماران ناباروری شد، می تواند زمینه ای برای انجام تحقیقات آتی باشد. از آنجائی که با تشخیص علل ناباروری افراد قبل از مراحل ثانویه و آزمایشات سنگین، به مقدار قابل توجهی در هزینه و زمان صرفه جویی و از اثرات جسمی که بر بیماران می گذارد کاسته خواهد شد، می توان در مطالعات آینده با استفاده از نتایج این تحقیق سیستمی را جهت اجرای این مدل پیاده سازی نمود.

شاخص سطح برگ نقش مهمی در تبادل ماده و انرژی بین زمین و اتمسفر دارد. مانند سایر گیاهان، شاخص سطح برگ نیشکر معیار خوبی برای وضعیت سلامت و رشد این محصول است که به دلیل نقش آن در صنایع غذایی و انرژی، اهمیت اقتصادی بسیاری دارد. ماهواره PRISMA که در سال 2019 پرتاب شد، یکی از جدیدترین منابع داده های ابرطیفی را فراهم کرده است که به ویژه، در تهیه نقشه متغیرهای گیاهی کاربرد دارد. در پژوهش حاضر، نوع جدیدی از شبکه های عصبی مصنوعی، موسوم به شبکه عصبی تنظیم شده با روش بیزین (BRANN) که قانون بیز را برای غلبه بر مشکل بیش برازش شبکه های عصبی به کار می برد، استفاده می شود. مدل یادشده روی مجموعه ای داده، متشکل از طیف دریافت شده ازطریق ماهواره PRISMA به منزله متغیر مستقل و مقادیر اندازه گیری شاخص سطح برگ نیشکر به منزله متغیر وابسته، اجرا شد. اندازه گیری های زمینی شاخص سطح برگ نیشکر در 118 واحد نمونه برداری زمینی، روی مزارع کشت و صنعت نیشکر امیرکبیر در استان خوزستان و در هفت تاریخ متفاوت طی یک دوره رشد نیشکر در سال 1399، انجام شد. مقایسه عملکرد BRANN با یک روش متعارف شبکه عصبی، یعنی شبکه آموزش دیده با روش لونبرگ مارکوارت (LMANN) در بازیابی شاخص سطح برگ نیشکر از طیف PRISMA، حاکی از این است کهRMSE  بازیابی از 26/2 (m 2 /m 2 ) به روش LMANN به 67/0 (m 2 /m 2 )، با استفاده از روش BRANN کاهش یافته است. در این پژوهش، به منظور کاهش ابعاد داده نیز از تبدیل مؤلفه های اصلی استفاده شد. در بازیابی شاخص سطح برگ از بیست مؤلفه اصلی اول نیز RMSE از 41/1 (m 2 /m 2 ) با استفاده از روش LMANN به 71/0 (m 2 /m 2 ) طبق روش BRANN کاهش یافت. استفاده از مؤلفه های اصلی باعث کاهش چشمگیر زمان محاسباتی شد. با اجرای مدل آموزش دیده BRANN روی تصاویر PRISMA به صورت پیکسل به پیکسل، نقشه شاخص سطح برگ نیشکر تولید شد. ارزیابی این نقشه نشان داد که این نقشه تغییرات مکانی شاخص سطح برگ نیشکر را به خوبی نشان می دهد. نتایج این تحقیق بیانگر قابلیت بالای روش BRANN و تصاویر PRISMA برای بازیابی شاخص سطح برگ نیشکر است.

هدف از انجام این پژوهش، ارائه مدلی یکپارچه جهت پیش بینی وقوع بحران مالی در بانک ها است. برای انجام این کار، ابتدا ادبیات نظری موجود حول موضوع پژوهش بررسی شده و عوامل اثرگذار بر بحران مالی در بانک ها شناسایی شده است. در ادامه داده های پژوهش برای 21 بانک نمونه از سال 1391 تا سال 1400، جمع آوری و تجزیه و تحلیل شده و مدل پیش بینی بحران مالی در بانک ها با استفاده از روش معادلات ساختاری، مدل سازی شده است. در نهایت، برای بررسی میزان دقت مدل طراحی شده، از روش شبکه های عصبی مصنوعی استفاده شده است. نتایج حاصل از پژوهش نشان داد که عوامل مالی، عوامل درونی غیرمالی، عوامل صنعت و عوامل کلان بر بحران مالی در بانک ها موثر هستند و متغیرهای منابع انسانی، حاکمیت شرکتی، ریسک نقدینگی و نسبت کفایت سرمایه مهم ترین متغیرها در پیش بینی بحران مالی هستند. همچنین، این مدل توانسته است بانک های دارای بحران و بانک های سالم را با دقت 100 درصد در هر دو گروه آموزش و آزمایش به درستی پیش بینی نماید. این مدل می تواند با معرفی عوامل موثر بر بحران، فرصت مناسب جهت انجام اقدامات پیشگیرانه و اصلاحی را در اختیار مدیران بانک ها و همچنین بانک مرکزی قرار دهد.

پذیرش کانال های آنلاین و تجارت الکترونیک، به تغییرات مداوم و پویا در صنعت خرده فروشی، به عنوان یک توسعه اجتناب ناپذیر منجر شده و بسیاری از شرکت ها را با چالش انتخاب مناسب ترین کانال فروش، برای ارائه یک تجربه یکپارچه به مشتریان خود مواجه کرده است. خرده فروشی همه جانبه یکپارچه، با مفهوم ادغام همه کانال ها، ضمن ایجاد تجربه مذکور، باعث افزایش پیچیدگی فرآیندهای پیش بینی و برنامه ریزی می شود. این پژوهش با هدف کاهش عدم اطمینان تقاضای ناشی از خطای پیش بینی، ازطریق در نظر گرفتن رفتار خرید مشتریان در پیش بینی و به کمک استفاده از روش های یادگیری ماشین، روشی دقیق تر برای پیش بینی تقاضای کانال همه جانبه یکپارچه ارائه کرده است. به این منظور، ابتدا داده های فروش شرکت مطالعه شده، جمع آوری و با استفاده از الگوریتم پیچش زمانی پویا خوشه بندی شد؛ سپس بر هر خوشه یک بار شبکه عصبی اتو رگرسیو غیرخطی و بار دیگر، شبکه عصبی اتو رگرسیو غیرخطی با ورودی برون زا اجرا و نتایج حاصل از شبکه های عصبی با معیارهای ارزیابی عملکرد R 2 و RMSE با روش استفاده شده در شرکت مطالعه شده، مقایسه شد. مقایسه نتایج نشان داد عملکرد شبکه عصبی اتو رگرسیو غیرخطی، با ورودی برون زا بر داده های خوشه بندی شده به روش پیچش زمانی پویا، برای کاهش خطای پیش بینی تقاضا در کانال همه جانبه یکپارچه، نسبت به دو روش دیگر برتری دارد.

امروزه به خاطر قابلیت های نظریه های آشوب و شبکه عصبی و به کارگیری این دو مدل در بازارهای مالی به خصوص بازار فراورده های نفتی موردتوجه خاصی قرار گرفته است. در این پژوهش، مقادیر قیمت روزانه سهام فراورده نفتی ایران در طی آذر ماه 1386 تا خرداد ماه 1396 موردبررسی قرار گرفته است. با توجه به ماهیت غیرخطی داده های مالی، نظریه آشوب به منظور مطالعه میزان آشوبناکی سری زمانی مورداستفاده قرار گرفته است. نظریه آشوب بر مبنای نمای لیاپانف و بُعد فراکتالی به مطالعه سری های زمانی ناشی از سیستم های دینامیکی غیرخطی اقدام می کند. در نظریه آشوب ابتدا با استفاده از نمودارهای لیاپانف و سطح مقطع پوانکاره و اندازه گیری بُعد همبستگی امکان وجود آشوب در سری زمانی ارزش روزانه سهام فراورده نفتی ایران بررسی شده است. در ادامه، با استفاده از تخمین زمان تأخیر به دست آمده از روش میانگین اطلاعات متقابل و همچنین بُعد محاط با به کارگیری از الگوریتم نزدیک ترین همسایه های کاذب، نمودار لیاپانف ترسیم شده است. نتایج نمودارهای لیاپانف و سطح مقطع پوانکاره دلالت بر وجود آشوب در سری زمانی تحت بررسی دارد. با توجه به اثبات آشوب در این سری زمانی، غیرخطی بودن آن نتیجه گرفته شد؛ بنابراین، برای پیش بینی قیمت های آتی سهام فراورده نفتی کشور یک شبکه عصبی مناسب طراحی و بهترین الگو انتخاب گردید و آن با ضریب همبستگی 0.99 حاکی از دقت خوب در مدل سازی قیمت این صنایع دارد و می تواند جهت پیش بینی قیمت آتی آن مورداستفاده قرار گیرد.

امروزه جوامع محلی در تلاش برای دست یابی به شرایطی هستند که در صورت وقوع بحران، بازگشت سریع آن ها را به وضعیت پیش از بحران فراهم سازد. بنابراین دیدگاه غالب از تمرکز بر روی کاهش آسیب پذیری به افزایش تاب آوری در مقابل سوانح تغییر کرده است. تاب آوری به ظرفیت سیستم های اکولوژیکی برای جذب اختلالات و حفظ ساختارهای لازم سیستم اطلاق می-شود. شهر شیراز در منطقه لرزه خیز زاگرس قرار گرفته که دارای استعداد لرزه خیزی بالایی می باشد. با توجه به اهمیت کاربری-های موجود در منطقه 3 شهرداری شیراز، هدف این پژوهش سنجش میزان تاب آوری اجتماعی- اقتصادی در برابر زلزله در این منطقه است. پژوهش حاضر از نظر هدف، کاربردی و از نظر شیوه انجام، توصیفی- تحلیلی است. بدین صورت که با استفاده از مطالعات کتابخانه ای همه معیارهای مورد ارزیابی مناسب این منطقه استخراج گردید. سپس جهت بررسی تجزیه و تحلیل چند متغیره بین متغیرها و همچنین برآورد متوسط متغیر وابسته(تاب آوری اجتماعی- اقتصادی) براساس مقادیر متغیرهای مستقل(متغیرهای زمینه ای اجتماعی- اقتصادی) مدل رگرسیون خطی چندگانه به کار رفته است. نهایتا برای تعیین "سهم مولفه-های تاب آوری اجتماعی و اقتصادی در تبیین میزان تاب آوری خانوارهای این منطقه " از مدل شبکه عصبی مصنوعی، استفاده شده است. با توجه به نتیجه ی رگرسیون خطی با کاهش میزان درآمد صرف ضروریات میزان تاب آوری افزایش می یابد. از میان شاخص های مورد مطالعه مولفه سرمایه اجتماعی و مهارت مهم ترین و مولفه های میزان و شدت خسارت و توانایی بازگشت به شرایط شغلی و مالی مناسب کم اهمیت ترین متغیر در پیش بینی تاب آوری کل برخوردارند. بنابراین مولفه های اجتماعی در این مطالعه تاثیر بیش تری در میزان تاب آوری دارند.

مشتریان منبع اصلی درآمد و دارایی مهم برای هر سازمان هستند. با این دیدگاه، امروزه شرکت ها تلاش بیشتری را برای حفظ مشتریان موجود آغاز کرده اند. از آنجا که در بسیاری از شرکت ها هزینه به دست آوردن مشتری جدید بسیار بالاتر از هزینه ایجاد رضایتمندی مشتری فعلی است، رویگردانی مشتری به حوزه اصلی نگرانی این شرکت ها تبدیل شده است. لذا شرکت های مبتنی بر مشتری از جمله شرکت های فعال در صنعت مخابرات به دلیل رویگردانی مشتریان با چالش بزرگی روبرو هستند. با توسعه سریع صنعت مخابرات، پیش بینی رویگردانی به عنوان یکی از فعالیتهای اصلی در به دست آوردن مزیت رقابتی در بازار محسوب می شود. پیش بینی رویگردانی مشتری به اپراتورها اجازه می دهد تا قبل از مهاجرت مشتریان فعلی به اپراتورهای دیگر، یک دوره زمانی برای اصلاح و اجرای یک سری اقدامات پیشگیرانه داشته باشند. در این پژوهش یک سیستم پشتیبانی تصمیم برای پیش بینی و تخمین رویگردانی مشتریان شرکت مخابرات استان کردستان (دارای 529000 مشترک) با روش های مختلف داده کاوی و یادگیری ماشین (شامل رگرسیون خطی چندگانه (MLR)، رگرسیون چند جمله-ای(PR)، رگرسیون لجستیک، شبکه های عصبی مصنوعی، آدابوست و جنگل تصادفی) ارایه شده است. نتایج ارزیابی های انجام شده بر روی مجموعه داده های شرکت مخابرات استان کردستان عملکرد بالای روش های شبکه های عصبی مصنوعی با دقت 99.9% ، آدابووست با دقت 100% و جنگل تصادفی با دقت 100% را نشان می دهد.

هدف این پژوهش الگویی برای اندازه گیری کارایی سرمایه گذاری در شرکت های پذیرفته شده در بورس اوراق بهادار تهران بر مبنای ترکیب شبکه های عصبی مصنوعی و الگوریتم بهینه سازی حرکت تجمعی ذرات است. بدین منظور، نمونه ای متشکل از 124 شرکت پذیرفته شده در بورس اوراق بهادار تهران طی سال های 1386-1400 بررسی شده است.  در راستای دستیابی به اهداف پژوهش، ابتدا با مطالعه پژوهش های پیشین در زمینه کارایی سرمایه گذاری 17 متغیر اثرگذار بر کارایی سرمایه گذاری انتخاب و با استفاده از روش داده های ترکیبی، مدل بهینه کارایی سرمایه گذاری بر مبنای جریان وجه نقد ناشی از فعالیت های سرمایه گذاری برآورد گردیده است. نتایج برآورد مدل نشان داد 8 متغیر فرصت رشد، کیفیت گزارشگری مالی، رشد فروش، نرخ بازده دارایی ها، اهرم مالی، جریآن های نقد عملیاتی، سود سهام تقسیمی، سود عملیاتی به کل دارایی ها با میزان وجه نقد صرف شده در فعالیت های سرمایه گذاری دارای رابطه ای معنادار هستند. در نهایت، نتایج مقایسه مدل پژوهش بر مبنای ترکیب شبکه های عصبی مصنوعی و الگوریتم بهینه سازی حرکت تجمعی ذرات با سایر مدل ها نشان داد مدل پژوهش، خطای آموزش شبکه عصبی با الگوریتم حرکت تجمعی ذرات را ب ه مقدار 0560/0 کاهش داد. همچنین، با توسعه مدل پژوهش، از طریق وارد کردن متغیرهای حسابداری، سطح زیرمنحنی راک به 6164/0 افزایش می یابد و در نتیجه، بر دقت مدل پژوهش تا 602/63 درصد افزوده می شود. این نتیجه، مؤثر بودن ورود متغیرهای محیطی به مدل پژوهش را نشان می دهد.

انرژی یکی از مؤثرترین مؤلفه های توسعه اقتصادی، سیاسی و اجتماعی هر کشوری است و علاوه بر نقش بسزایی که در تأمین منابع مالی و اقتصادی دارد در ثبات سیاسی کشورها هم اثرگذار است. از این رو تدوین راهبردهای بازار انرژی با درنظر گرفتن شرایط بحرانی از اهمیت ویژه ای برخوردار است. این پژوهش به دنبال شناسایی و اولویت بندی راهبردهای بازار انرژی در شرایط بحرانی است و مورد مطالعه، صادرات گاز ایران به کشور ترکیه است. در این راستا با استفاده از پرسشنامه محقق ساخته، نظر 9 خبره در حوزه انرژی جمع آوری شد. سپس با استفاده از ماتریس SWOT، عوامل داخلی و خارجی و نقاط قوت و ضعف مشخص شدند. همچنین با استفاده از روش بهترین- بدترین، شاخص های تأثیرگذار بر صادرات گاز ایران به ترکیه با در نظر گرفتن شرایط بحرانی، شناسایی و اولویت بندی شدند. 49 راهبرد استخراج شده بر اساس 10 شاخص با یکدیگر مقایسه و 29 راهبرد برای صادرات گاز ایران به کشور ترکیه معرفی شدند. نهایتاً با استفاده از شبکه های عصبی، راهبردها مجدداً رتبه بندی شدند. پنج راهبرد «سرمایه گذاری در حوزه انرژی و راهکارهای بهینه سازی مصرف آن از طریق بخش خصوصی و تشکیل اتاق های فکر» « تشکیل دفاتر منطقه ای و بین المللی جهت توسعه صادرات گاز، گسترش و تعاملات اقتصادی سیاسی با کشورهای همسایه به ویژه دارنده گاز در حوزه دریای خزر با مبنای توسعه و تعاملات انرژی با این کشورها»، «یکپارچه سازی زنجیره تأمین و برنامه ریزی در بخش استخراج تا صادرات گاز در مجموعه ای ذیل شرکت ملی گاز جهت چابک سازی در تصمیم گیری ها» و «افزایش ظرفیت تولید پالایشگاه های گاز کشور» و «جذب سرمایه گذاری برای توسعه میدان های نفت و گاز» به عنوان مهم ترین راهبردها انتخاب شدند. نتایج این پژوهش می تواند به عنوان نقشه راه برای تصمیم گیری در خصوص صادرات گاز در شرایط بحرانی مورد استفاده قرار بگیرد تا ضمن تثبیت جایگاه ایران در بازار انرژی، امکان ارتقاء آن را نیز فراهم سازد. 

در این مطالعه با استفاده از داده های دمای حداقل روزانه، در دوره ی آماری ۲۱ ساله ی به پیش بینی یخبندان های استان کرمانشاه با استفاده از شبکه های عصبی پرداخته شده است. داده های مورد استفاده از طریق تابعی یک به یک و پوشا به منظور تعیین معیاری جهت پیش بینی یخبندان به مقادیر بین صفر و یک تبدیل شده و از شبکه پیش رو با یک لایه میانی مخفی با تعداد نورون های متغیر برای هر یک از ایستگاه ها به پیش بینی و بالاخره تعیین بازه های یخبندان پرداخته شد. الگوریتم مورد استفاده در این پژوهش، پس انتشار با روش آموزش دسته ای و توابع انتقال Satlins، Logsig و Satlin بوده است. تعیین بازه های یخبندان و بدون یخبندان در هر یک از ایستگاه های سینوپتیک و پیش بینی یخبندان های زودرس و دیررس از نتایج این مطالعه بوده و شبکه طراحی شده بین 72.22 تا 80.55 درصد برای هر ایستگاه همگرایی داشته است. نتایج نشان می دهد با توجه به محدودیت داده ها، شبکه های عصبی MLP توانایی مطلوبی در پیش بینی و تخمین یخبندان ها دارد.

بارش یکی از مهم ترین مولفه های هیدرولوژی و هواشناسی است که پیش بینی مقادیر آن در زمینه های مختلفی همچون کشاورزی، شرب، صنعت، بهداشت، اقلیم و محیط زیست از اهمیت ویژه ای برخوردار است. با توجه به اینکه وقوع، نوع و میزان بارش به عوامل بسیار زیادی بستگی دارد، مدل سازی و پیش بینی مقدار بارش همواره دارای پیچیدگی ها و چالش های فراوان بوده است. در این پژوهش از داده های پارامترهای هواشناسی ایستگاه همدیدی تبریز شامل دماهای کمینه، بیشینه و میانگین، رطوبت نسبی میانگین، فشار هوای میانگین، سرعت باد بیشینه و بارش در مقیاس های زمانی روزانه و ماهانه در یک دوره 35 ساله (2020-1986) استفاده شد. از روش های یادگیری ماشین و یادگیری جمعی شامل شبکه عصبی مصنوعی پرسپترون چندلایه (MLP)، جنگل تصادفی (RF)، آدابوست (AB)، تقویت گرادیان (GB)، درختان اضافی (ET) و مدل رگرسیون درخت تصمیم (DTR) برای مدل سازی بارش استفاده شد. بدین منظور 70 درصد از داده ها برای آموزش و 30 درصد از داده ها نیز برای آزمون مدل ها در نظر گرفته شدند. برای ارزیای مدل های مورد استفاده، از معیارهای آماری ضریب همبستگی (R)، جذر میانگین مربعات خطاها (RMSE)، میانگین خطای مطلق (MAE) و کلینگ گوپتا (KGE) استفاده شد. مطابق نتایج این تحقیق در مقیاس روزانه مدل MLP با 993/0R=، 184/0RMSE= میلی متر، 184/0MAE= میلی متر و 82/0KGE= و مدل ET با 986/0R=، 324/0RMSE= میلی متر، 324/0MAE= میلی متر و 75/0KGE= و در مقیاس ماهانه به ترتیب مدل MLP با 999/0R=، 153/0RMSE= میلی متر، 222/0MAE= میلی متر و 88/0KGE= و مدل ET با 981/0R=، 266/0RMSE= میلی متر، 197/0MAE= میلی متر و 71/0KGE= از بیشترین دقت و کمترین خطا برخوردارند. به طورکلی نتایج این پژوهش نشان دهنده عملکرد بسیار مناسب مدل های یادگیری ماشین و یادگیری جمعی در مدل سازی بارش در هر دو مقیاس زمانی روزانه و ماهانه است.