شبکه عصبی مصنوعی (ANN)

تورم به عنوان یکی از بنیادی ترین چالش های اقتصادی، در طول حیات اقتصادی هر کشور شناخته می شود، به همین دلیل پیش بینی روند تورم برای تنظیم سیاست های اقتصادی اهمیت به سزایی دارد. این نیاز موجب توجه جدی به کاربرد مدل های مختلف برای پیش بینی نرخ تورم شده است؛ و بدین منظور مدل های پیش بینی گوناگونی در رقابت با یکدیگر توسعه یافته اند. از این رو این پژوهش با هدف پیش بینی ماهیانه نرخ تورم در ایران برای سال 1390 با استفاده از داده های سری زمانی ماهیانه شاخص بهای کالا و خدمات مصرفی ایران در سال های 1383 تا 1389 انجام شده و اطلاعات مربوط به شاخص بهای کالا و خدمات مصرفی نیز برای سال های مورد نظر از بانک مرکزی جمهوری اسلامی ایران گرفته شده است. برای این منظور از دو الگوی میانگین متحرک هم انباشته خود توضیح (ARIMA) و شبکه عصبی (ANN) استفاده شده و همچنین در این پژوهش به مقایسه الگوهای اقتصادسنجی و شبکه عصبی و توان پیش بینی هر یک از الگوها با در نظر گرفتن میانگین درصد خطای مطلق آنها پرداخته شده است. نتایج پیش بینی با استفاده از این دو الگو نشان داد، که اگرچه هر دو الگوی میانگین متحرک خود توضیح و شبکه ی عصبی، با توجه به میانگین درصد خطای مطلق پیش بینی درون نمونه ای، به ترتیب 86/0 و 94/0 درصد دارای توان پیش بینی بالایی بوده اند، اما الگوی ARIMA به نسبت الگوی ANN از دارای توان پیش بینی بالاتری بوده است. بنابراین در این پژوهش مقادیر پیش بینی شده شاخص بهای کالا و خدمات مصرفی در ایران بر اساس الگوی سری زمانی ARIMA تعیین شده است و نتایج پیش بینی این الگو نشان می دهد، با توجه به روند رو به رشد در شاخص بهای کالا و خدمات مصرفی در ایران برای سال 1390، در پیش گرفتن سیاست های کنترل حجم پول و نقدینگی از طریق اعمال سیاست های پولی و مالی مناسب توسط سیاستگذران می تواند نقش مهمی در کنترل نرخ تورم داشته باشد.

طی دهه های گذشته، طوفان های گردوغبار از لحاظ مکانی و زمانی همواره در حال افزیش بوده اند. طوفان های گردوغبار خاورمیانه سبب رسیدن آسیب های بی شماری در حوزه سلامت اجتماعی، اقتصادی، زیست محیطی و دیگر موارد به ساکنان مناطق جنوب و جنوب غرب ایران شده است. در این مقاله، به منظور بررسی طوفان های گردوغبار، از داده های سنجنده MODIS استفاده شد. از محاسن داده های سنجنده MODIS، توان تفکیک طیفی و زمانی بالای آن است. در این پژوهش، از دو مجموعه داده MODIS استفاده شد؛ بخش اول، داده های توسعه مدل (رخداد 21-18 ژانویه 2018) و بخش دوم، داده های تست و ارزیابی مدل. داده های هواشناسی نیز، با توجه به بازه زمانی مورد مطالعه، جمع آوری شد. پس از پیش پردازش داده ها و آماده کردن مشاهدات میدانی، ویژگی (ورودی شبکه عصبی مصنوعی) از داده های سنجنده MODIS، به روش پیشنهادی، تولید می شود. ازطریق شبکه عصبی مصنوعی، مدلی مناسب توسعه یافت که، بدین ترتیب، می توان گردوغبار استخراج و پارامتر دید افقی را، هم زمان، برآورد کرد. خروجی مدل با خروجی شاخص NDDI مقایسه بصری شد. سپس، برای بررسی کارآیی روش پیشنهادی، مدل توسعه یافته با داده های مربوط به زمان دیگر تست و خروجی مدل با خروجی شاخص NDDI مقایسه بصری شد. در نهایت، به منظور نشان دادن نقاط قوت و ضعف روش پیشنهادی، ارزیابی دقت ازطریق مقایسه نتایج روش پیشنهادی و پارامتر دید افقی در ایستگاه های سینوپتیک انجام شد. میزان خطای کلی، به ترتیب، 10%، 10%، 15% و 10% درمورد پردازش تصاویر هجدهم ژانویه، نوزدهم ژانویه، بیستم ژانویه و 21اُم ژانویه 2018 و 20% و 25% درمورد پردازش تصاویر 26اُم ژانویه 2019 و 28اُم اکتبر 2018 به دست آمد. با اتصال به پایگاه داده سازمان هواشناسی کشوری، روش پیشنهادی دارای قابلیت به کارگیری در سیستم خودکار استخراج گردوغبار است.

تأمین انرژی پایدار در دنیای امروزی امری ضروری است. از آنجا که معیارها و فاکتورهای مختلفی بر یافتن مکان مناسب نیروگاه خورشیدی تأثیر می گذارد، مقایسه مؤثر این معیارها با استفاده از روش های تصمیم گیری چندمعیاره (MCDM) میسر است. همچنین، روش های هوش مصنوعی نظیر شبکه عصبی مصنوعی برای یافتن دقیق ترین مکان های مناسب می تواند سازنده باشد. در این پژوهش با به کارگیری روش بهترین- بدترین به عنوان یکی از تکنیک های MCDM و واردکردن نتایج آن در شبکه عصبی مصنوعی (ANN) جهت تعلیم شبکه اقدام به یافتن مناسب ترین مکان ها برای استقرار صفحات خورشیدی در استان آذربایجان شرقی به عنوان یک استان دارای ناهمواری های طبیعی نسبتاً زیاد شد. پس از تولید لایه تناسب اولیه با شبکه عصبی مصنوعی، با تولید لایه های محدودیت و اعمال آن ها روی نتایج به دست آمده از شبکه عصبی، مکان هایی که امکان اولیه را برای استقرار این صفحات نداشتند از نتایج اولیه حذف شدند. نتایج نهایی نشان داد که 1854206.25 هکتار از زمین های استان تناسب کمتر از 0.3 و 1460887.5 تناسبی بین 0.3 تا 0.5 را جهت استقرار نیروگاه خورشیدی دارند. همچنین، فقط 69762.5 هکتار از اراضی استان دارای تناسب بیش از 0.75 برای استقرار صفحات خورشیدی هستند.