شبکه عصبی پرسپترون

ارائه سرویس های مناسب به مشتریان همواره یکی از موارد مهم در بانک ها بوده است. از سویی شناسایی زمان مناسب برای ارائه این سرویس ها نیز توجه بسیاری از محققان را به خود جلب کرده است. شناسایی زمان مناسب ارائه پیشنهادها هم از نظر اثر بخشی پیشنهادها، (پذیرش مشتریان) و هم از نظر کارایی (صرف مناسب منابع) برای طراحان حائز اهمیت بوده است. در این مقاله سعی شده با استفاده از داده های مربوط به تراکنش های مالی مشتریان، زمان مناسب جهت پیشنهاد سرویس های مورد علاقه مشتری شناسایی گردد. بر این اساس در این تحقیق نتایج حاصل از پیش بینی روند آتی تراکنش های مشتری(روند مثبت، منفی یا تغییر الگوی رفتاری) با بیان از شبکه های عصبی پرسپترون، در شناسایی زمان مناسب جهت پیشنهاد سرویس های مورد علاقه بیان شده است. این سرویس ها بر اساس علایق مشتری و نتایج حاصل از پیش بینی الگوی رفتاری شناسایی گردیده است.

نقشه هایپوشش/کاربریاراضیحاصلازتصاویرماهواره اینقشمهمیدرارزیابی هایمنطقه ایوملیپوشش/کاربریاراضیایفامی کنند.طیّ سال های گذشته، کاربردهای زیادی از روش های طبقه بندی شبکه عصبی مصنوعی برای طبقه بندی پوشش/کاربری اراضی در منابع گزارش شده است، اما مطالعات معدودی، مقایسه ی آنها با هم را ارزیابی نموده اند. در این مطالعه، ابتدا تصحیحات هندسی بر روی داده های+ ETM صورت گرفت. سپس با بازدیدهای میدانی، طبقات مختلف پوشش/کاربری اراضی تعریف و نمونه های آموزشی انتخاب گردید. در این مطالعه، هدف اصلی مقایسه ی چهار روش شبکه ی عصبی مصنوعی برای طبقه بندی پوشش سطح زمین در سه منطقه ی مهران (مرکز استان ایلام)، دویرج (جنوب استان ایلام) و سرابله (شمال استان ایلام) با شرایط اقلیمی متفاوت می باشد. در این مطالعه، از روش های شبکه ی عصبی مصنوعی آرتمپ فازی، تابع پایه شعاعی، کوهونن و پرسپترون چند لایه استفاده شده است. نتایج ارزیابی دقت تصاویر طبقه بندی شده نشان داد که روش طبقه بندی آرتمپ فازی با دقت کل متوسط 84/9۴ و ضریب کاپای متوسط 93/0 درصد دارای بیشترین دقت نسبت به سایر روش های بررسی شده می باشد. اختلاف دقت کل متوسط در این روش نسبت به روش تابع پرسپترون 44/11 و اختلاف ضریب کاپا متوسط 18/0 درصد، نسبت به روش کوهونن به ترتیب 3/17 و 23/0 درصد و نسبت به روش پایه شعاعی 01/31 و 36/0 درصد می باشد. در این تحقیق، بالاترین دقت طبقه بندی مربوط به طبقه بندی شبکه ی عصبی مصنوعی آرتمپ فازی بود. بنابراین این مطالعه کارایی و قابلیت روش شبکه ی عصبی مصنوعی آرتمپ فازی را در طبقه بندی بهتر تصاویر سنجش از دور اثبات می نماید.