مطالب مرتبط با کلیدواژه

شبکه های عصبی


۲۱.

مقایسه کارایی مدل های کلاسیک و شبکه های عصبی در برآورد ریسک و ظرفیت اعتباری مشتریان شواهدی از بانک تجارت(مقاله علمی وزارت علوم)

نویسنده:
منبع: اقتصاد پولی، مالی سال سوم بهار و تابستان ۱۳۹۲ شماره ۱ (پیاپی ۵)

کلیدواژه‌ها: ایران بانک تجارت رگرسیون لجستیک شبکه های عصبی رگرسیون خطی ریسک اعتباری ظرفیت اعتباری

حوزه های تخصصی:
تعداد بازدید : ۱۴۱۹ تعداد دانلود : ۸۳۱
یکی از اهداف مهمی که بانک ها و موسسات مالی جهت بالا بردن کارایی پس اندازهای جمع آوری شده از اشخاص حقیقی و حقوقی دنبال می کنند، این است که با شناسایی مشتریان اعتباری خود تسهیلات اعتباری را به افراد یا ساز مان هایی تخصیص دهند که احتمال نکول کمتری داشته باشند. لیکن برای این کار از روش های مختلفی هم چون روش معمول قضاوت شخصی، تحلیل ممیزی و ... استفاده می کنند. با این وجود اغلب این روش ها، روی ریسک اعتباری مشتریان متمرکز شده اند، در حالی که ظرفیت اعتباری مشتریان می تواند در ارائه تسهیلات نقش مهمی ایفاء نماید. در این مقاله مدل شبکه های عصبی برای محاسبه هر دو عامل ریسک و ظرفیت اعتباری به طور همزمان مورد توجه قرار گرفته است. البته مدل های رگرسیون خطی و لجستیک نیز برای محاسبه ریسک و ظرفیت اعتباری به کار گرفته شده است تا با مدل شبکه های عصبی مقایسه گردد. نتایج به دست آمده دلالت بر کارایی بالای شبکه های عصبی نسبت به رگرسیون خطی در برآورد ظرفیت اعتباری مشتریان و کارایی یکسان مدل شبکه های عصبی و رگرسیون لجستیک در برآورد ریسک اعتباری دارد.
۲۲.

پیش بینی مقدار تقاضای نفت خام در ایران با استفاده از شبکه های عصبی مصنوعی (ANN) و مدل ARMAX(مقاله علمی وزارت علوم)

نویسنده:
منبع: پژوهشنامه اقتصاد انرژی ایران (اقتصاد محیط زیست و انرژی ) سال دوم تابستان ۱۳۹۲ شماره ۷

کلیدواژه‌ها: شبکه های عصبی ARMA ARMAX پیش بینی مقدار تقاضای نفت خام طبقه بندی بین اللملی

حوزه های تخصصی:
تعداد بازدید : ۱۲۲۱ تعداد دانلود : ۷۰۴
هدف تحقیق مدل سازی و پیش بینی تقاضای نفت در ایران با استفاده از روش، شبکه عصبی مصنوعی (ANN)، می باشد. در مقاله تلاش شده تا یافته های تحقیق با استفاده از مدل مذکور با مدل ARMAX مقایسه گردد تا میزان دقت پیش بینی شبکه عصبی مورد ارزیابی علمی قرار گیرد. نتیجه مطالعه نشان می دهد که مدل شبکه عصبی مصنوعی از دقت بیشتری در پیش بینی تقاضای نفت خام ایران برخوردار است. همچنین در این مقاله متغیرهای تعیین کننده تقاضای نفت خام در کشورهای منتخب عضو اوپک مورد مقایسه قرار گرفت تا مشخص گردد که آیا عوامل تعیین کننده تقاضای نفت خام ایران در سایرکشورها نیز مشابه است؟ برای این کار از ضریب همبستگی رتبه ای اسپیرمن استفاده شده است، نتایج حاصل نشان می دهد مقدار این ضریب برای کشور های منتخب نسبت به ایران نزدیک به یک است که بر آن دلالت می کند که، متغیرهای استفاده شده در این تحقیق در سایر کشورهای مشابه نتایج یکسانی بدست داده است. در نتیجه می توان آنها را برای پیش بینی مقدار تقاضای نفت خام متغیرهای کلیدی در نظر گرفت.
۲۳.

تحلیل آماری و برآورد فاصله اطمینان پیش بینی شبکه عصبی ترکیبی به منظور مقایسه با مدل خطی ARIMA: مطالعه موردی مصرف ماهانه گاز طبیعی در بخش خانگی ایران(مقاله علمی وزارت علوم)

نویسنده:
منبع: تحقیقات مدل سازی اقتصادی تابستان ۱۳۹۴ شماره ۲۰

کلیدواژه‌ها: پیش بینی گاز طبیعی شبکه های عصبی بوت استرپ الگوریتم PSO

حوزه های تخصصی:
تعداد بازدید : ۱۵۲۶ تعداد دانلود : ۱۰۱۷
مصرف گاز طبیعی به عنوان یکی از مهم ترین حامل های انرژی، طی سالیان اخیر روند صعودی را داشته و مدیریت مصرف و برنامه ریزی جهت تأمین نیازهای آن، نیازمند شناخت وضعیت مصرف کنونی و پیش بینی روند آتی آن می باشد. با معرفی و کاربرد گسترده مدل های مختلف همچون شبکه های عصبی مصنوعی جهت برآورد روند آتی مصرف و از طرفی تصادفی بودن آن ها، آگاهی از دقت این مدل ها جهت نیل به هدف پیش بینی دقیق تر، اهمیت بیشتری یافته است. پژوهش حاضر سعی دارد با به کارگیری شبکه های عصبی مصنوعی به عنوان مدلی غیرخطی و مدل خطی ARIMA در پیش بینی مصرف ماهانه گاز طبیعی در بخش خانگی ایران به عنوان عمده ترین بخش مصرف کننده، به مقایسه دقیق تر این پیش بینی ها با استفاده از باز نمونه گیری از نمونه ها بپردازد. بدین منظور ابتدا آموزش شبکه با استفاده از الگوریتم های ژنتیک و ازدحام ذرات صورت گرفته و مقایسه آن ها با استفاده از روش «10-fold» حاکی از عملکرد بهتر الگوریتم ازدحام ذرات جهت آموزش شبکه بود. در ادامه شبکه عصبی با استفاده از باز نمونه گیری با جایگذاری از داده های اردیبهشت ماه 1381 تا اسفندماه 1388 به تعداد 2000 بار توسط الگوریتم ازدحام ذرات آموزش داده شد و مصرف ماهانه گاز طبیعی در بخش خانگی طی سال های 1389 و 1390 توسط آن ها پیش بینی و فاصله اطمینان 95 درصدی برای پیش بینی ها محاسبه شد. نتایج بررسی معنی داری اختلاف پیش بینی مدل ترکیبی شبکه عصبی با مدل ARIMA و همچنین مقادیر واقعی، بر اساس فاصله اطمینان به دست آمده حاکی از عملکرد بهتر شبکه عصبی ترکیبی نسبت به مدل ARIMA در اغلب ماه ها بود.
۲۴.

پیش بینی نقدینگی موردنیاز دستگاه های خودپرداز با استفاده از مدل خطی(ARIMA) و غیرخطی (شبکه های عصبی)(مقاله علمی وزارت علوم)

نویسنده:
منبع: سیاست های راهبردی و کلان سال دوم زمستان ۱۳۹۳ شماره ۸

کلیدواژه‌ها: پیش بینی دستگاه خودپرداز شبکه های عصبی آریما بانک مهر اقتصاد

حوزه های تخصصی:
تعداد بازدید : ۹۲۹ تعداد دانلود : ۵۰۱
هدف این مطالعه پیش بینی نقدینگی مورد نیاز دستگاه های خودپرداز با استفاده از دو مدل خطی و غیرخطی است. تامین منابع مالی در دستگاه های خودپرداز، از این نظر اهمیت دارد که لازمه فعال نگه داشتن خودپرداز در ارائه وجه نقد به متقاضیان و تامین اسکناس در دستگاه می باشد. نتایج چنین تحلیل هایی این امکان را ارائه می دهد که بتوان پیش بینی لازم برای تامین منابع مالی خودپرداز را بصورت هوشمند انجام داده و آن را در ساعات اوج تقاضا فعال نگه داشت. نمونه آماری پژوهش شامل 7 دستگاه خودپرداز بانک مهر اقتصاد خراسان رضوی طی سال های 1386-1389 بوده است. در این پژوهش تعیین میزان برداشت وجه نقد از دستگاه خودپرداز با استفاده از روش غیرخطی شبکه های عصبی مصنوعی با ساختار پروسپترون چند لایه و الگوریتم پس انتشار خطا و روش خطی ARIMA بررسی شده است تا مدل بهینه انتخاب شود. تقاضای برداشت وجه نقد از تاریخ 4/1386 تا 7/1389 (40 ماه) به عنوان داده های آموزش و از داده های آبان 1389 تا پایان 1389 به عنوان داده های آزمایشی در نظر گرفته شده است. نتایج به دست آمده نشان دهنده برتری مدل شبکه های عصبی مصنوعی نسبت به مدل ARIMA در پیش بینی وجه نقد مورد نیاز دستگاه خودپرداز بانک مهر اقتصاد می باشد.
۲۵.

پیش بینی قیمت زنجیره محصولات پلی اتیلن ترفتالات با استفاده از سیستم مبتنی بر شبکه های عصبی(مقاله علمی وزارت علوم)

نویسنده:
منبع: پژوهش های مدیریت منابع سازمانی سال پنجم تابستان ۱۳۹۴ شماره ۲

کلیدواژه‌ها: شبکه های عصبی محصولات پتروشیمی مدل های پیش بینی قیمت

حوزه های تخصصی:
  1. حوزه‌های تخصصی مدیریت مدیریت بازرگانی مدیریت بازرگانی بازاریابی و مدیریت بازار
  2. حوزه‌های تخصصی مدیریت مدیریت صنعتی تحقیق در عملیات الگوهای کمی در تصمیم گیری
تعداد بازدید : ۸۶۹ تعداد دانلود : ۳۶۹
فقدان پیش بینی ساختارمند درخصوص محصول پرکاربرد پلی اتیلن ترفتالات شرکت صنایع پتروشیمی را بر آن داشته است که پیش بینی های قیمت را از شرکت های خارجی خریداری کند. جلوگیری از خروج ارز و تحمل عوامل سیاسی مانند تحریم ها در این حوزه نیازمند پیش بینی علمی قیمت ها در داخل است. به دلیل ماهیت زنجیره وار و نیز عدم اطلاع از میزان تأثیر عوامل متعدد موثر بر قیمت، محققان ناچار هستند به منظور پیش بینی، مسائلی با پیچیدگی زیاد و معادلاتی با درجه بالا حل کنند. انتخاب تعداد و نوع متغیرهای ورودی شبکه عصبی، تأثیر بسزایی در کارایی سیستم دارد، ازاین رو از روش تحلیل بنیادین با تکیه بر تئوری عرضه-تقاضا و نگرش کلان اقتصادی، و روش آماری دلفی جهت انتخاب عواملی با اثرگذاری بیشتر بر قیمت استفاده شده است. ابتدا با استفاده از متغیرهای کنترل شده، توپولوژی کلی شبکه عصبی طراحی شده است. سپس با در نظر گرفتن متغیرهای مستقل، مانند تعداد لایه های پنهان و تعداد نرون ها و بررسی تأثیر آن ها بر کارایی عملکرد شبکه عصبی، شبکه بهینه انتخاب گردید. از معیارهای میانگین مربعات خطا و ضریب تعیین به عنوان متغیرهای وابسته استفاده شده است. بعد از ایجاد رابط کاربری، ارتباط سیستم با شبکه عصبی بهینه برقرارشد. به منظور بررسی عملکرد سیستم، قیمت واقعی محصول مدنظر، در سال مرجع با قیمت پیش بینی شده توسط سیستم پیشنهادی و قیمت خریداری شده از شرکت CMAI مورد مقایسه قرارگرفت و نتایج، کارایی قابل قبول سیستم پیشنهادی را با میانگین خطای کمتراز 3% در پیش بینی قیمت زنجیره مدنظر، اثبات نمود. این سیستم می تواند صنایع پتروشیمی را از خرید اطلاعات پیش-بینی قیمت از شرکت های خارجی بی نیاز سازد.
۲۶.

تدوین الگوهای پیش بینی کننده بحران مالی با استفاده از تجزیه و تحلیل درونی داده ها و تکنیک های هوش مصنوعی(مقاله علمی وزارت علوم)

نویسنده:
منبع: تحقیقات حسابداری و حسابرسی زمستان ۱۳۹۱ شماره ۱۶

کلیدواژه‌ها: شبکه های عصبی متغیرهای مالی بحران مالی آنالیز مولفه های اصلی

حوزه های تخصصی:
  1. حوزه‌های تخصصی مدیریت مدیریت دانش و IT منطق فازی و هوش مصنوعی
  2. حوزه‌های تخصصی مدیریت مدیریت مالی – حسابداری مدیریت مالی
تعداد بازدید : ۹۴۱ تعداد دانلود : ۴۳۴
یکی از ابزارهای تصمیم گیری استفاده کنندگان برون سازمانی از قبیل سرمایه گذاران، اعتباردهندگان، شرکت های تجاری و همچنین موسسات دولتی تصمیم گیری در خصوص سرمایه گذاری، اعطای اعتبار و ... تجزیه و تحلیل صورت های مالی شرکت ها می باشد. با توجه به پیشرفت سریع فناوری و تکنولوژی های کامپیوتری می توان اطلاعات دقیق تری نسبت به اطلاعات سنتی در اختیار تصمیم گیرندگان قرار داد. تا بتوانند تصمیم گیری های مناسب تری را در خصوص احتمال برگشت سرمایه و یا وقوع بحران مالی قبل از وقوع و تحمل هزینه های سنگین اتخاذ نمایند. هدف این تحقیق تدوین مدلهای پیش بینی کننده بحران مالی برای شرکت های پذیرفته شده در بورس اوراق بهادار تهران با استفاده از نسبت های مالی و تکنیک های هوش مصنوعی می باشد. از این رو اطلاعات مالی مربوط به دوره زمانی 1370 الی 1388 جمع آوری و نسبت های مالی مورد نظر استخراج و الگوهای شبکه عصبی ANN، ترکیب آنالیز مولفه های اصلی و شبکه عصبیPCA+ANN برای پیش بینی بحران مالی یک، دو و سه سال قبل از وقوع آن تدوین شده است. سپس با توجه به نتایج بدست آمده، الگوها با یکدیگر مقایسه و بهترین الگو استخراج شده است. با توجه به نتایج آزمون مشخص گردید الگوی شبکه عصبی با استفاده از اطلاعات یک سال قبل از وقوع نسبت به سایر تکنیک های این پژوهش و سایر سال های مالی دارای کارایی بیشتری در پیش بینی بحران مالی شرکت ها می اشد.
۲۷.

مقایسه عملکرد مدلهای شبکه عصبی مصنوعی واتورگرسیون برداری در پیش بینی شاخص قیمت و بازده نقد(مقاله علمی وزارت علوم)

نویسنده:
منبع: تحقیقات حسابداری و حسابرسی بهار ۱۳۹۳ شماره ۲۱

کلیدواژه‌ها: شبکه های عصبی مدلهای اتورگرسیو شاخص نقدی و قیمت

حوزه های تخصصی:
  1. حوزه‌های تخصصی مدیریت مدیریت دانش و IT منطق فازی و هوش مصنوعی
  2. حوزه‌های تخصصی مدیریت مدیریت مالی – حسابداری تئوریهای حسابداری تحقیقات بازار سرمایه
تعداد بازدید : ۷۵۸ تعداد دانلود : ۳۷۲
هدف این مقاله تجزیه و تحلیل های اقتصادی، پیش بینی صحیح و دقیق متغیرهای اقتصادی است. در این زمینه، روشهای مختلفی برای پیش بینی در اقتصاد وجود دارد، که از جمله آنها میتوان به مدلهای رگرسیون ، معادلات همزمان و... اشاره کرد. مدلهای سری زمانی نیز از جمله مدلهای اقتصادی می باشند که در آن پیش بینی مقادیر سری، بیش از هر چیز به عهده خودشان گذاشته می شود اما استفاده از روش های غیر کلاسیک در شناسایی مدل و پیش بینی رفتار سیستم های پیچیده، مدتهاست در محافل علمی و حتی حرفه ای متداول و معمول شده است. در بسیاری از سیستم های پیچیده و خصوصاً غیر خطی که مدل سازی و به دنبال آن پیش بینی و کنترل آنها از طریق روش های کلاسیک و تحلیلی امری بسیار دشوار و حتی بعضاً غیر ممکن می نماید، از روش های غیر کلاسیک که از ویژگی هایی همچون هوشمندی، مبتنی بر معرفت و خبرگی برخوردار هستند، استفاده می شود. شبکه های عصبی، یکی از این روش های بدیع و در حال تحول است که در موضوعات متنوعی از قبیل الگوسازی، شناخت الگو، خوشه بندی و پیش بینی به کار رفته و نتایج مفیدی داشته است. در این مقاله، از شبکه های عصبی در پیش بینی سری های زمانی داده های اقتصادی استفاده کرده ایم. در این رابطه عوامل مختلف ساختاری، روش های مختلف یادگیری شبکه های عصبی و انتخاب و کاربرد مناسب داده ها در فرایند پیش بینی، مورد ارزیابی و بررسی قرار گرفته است و با مدل های ساختاری و سری زمانی مانند اتورگرسیون برداری مقایسه گردیده است. در این پژوهش، از ابزارهای محاسباتی نرم افزار MATLAB و شاخص قیمت و بازده نقدی بورس اوراق بهادار تهران مابین سال های 1385 تا 1390 استفاده شده است. خلاصه نتیجه گیری و پیشنهادات حاکی از آن است که مدل شبکه های عصبی مصنوعی از عملکرد بهتری در پیش بینی مقادیر متغیرها برخوردار است .
۲۸.

تعیین عوامل تأثیرگذار بر تورم و طراحی سیستم هشداردهنده تورم شدید برای اقتصاد ایران(مقاله علمی وزارت علوم)

نویسنده:
منبع: پژوهش ها و سیاست های اقتصادی سال بیست و سوم زمستان ۱۳۹۴ شماره ۷۶

کلیدواژه‌ها: تورم الگوریتم ژنتیک شبکه های عصبی عوامل مؤثر بر تورم سیستم هشداردهنده تورم

حوزه های تخصصی:
تعداد بازدید : ۱۳۷۳ تعداد دانلود : ۵۴۲
با توجه به پیامدهای ناگوار تورم در بخش های مختلف اقتصاد، آگاهی از احتمال وقوع تورم شدید در آینده نزدیک،فرصتی بسیار مناسب جهت اجتناب از تبعات منفی تورم ایجاد می کند. برای آگاهی از وقوع تورم شدید درآینده نزدیک، در قدم اول باید عوامل مؤثر بر تورم را به درستی شناسایی کرد. در این مقاله از میان داده های ماهانه 21 متغیر احتمالی اثرگذار برتورم، در بازه زمانی فروردین 1375 تا دی ماه 1390ش، با ترکیب الگوریتم ژنتیک و شبکه های عصبی، متغیرهای اساسی مؤثر بر تورم ایران تعیین شده اند. این متغیرها عبارت اند از: حجم نقدینگی، مخارج دولت، شاخص دستمزد نیروی کار، نرخ سود بانکی، تولید ناخالص داخلی، تورم با وقفه زمانی و شاخص قیمت جهانی نفت خام. پس از شناسایی متغیرهای اساسی، یک سیستم هشداردهنده تورم شدید طراحی شده است. این سیستم با بهره گیری از مبانی شبکه های عصبی، احتمال وقوع تورم شدید در بازه شش ماه آتی را پیش بینی می کند. برای طراحی این سیستم از یک شبکه عصبی پیش خور با دولایه پنهان استفاده شده است. نتایجمدل، نشان دهنده عملکرد امیدوارکنندهسیستمهشداردهنده استو سیستمقادربهصدورسیگنال هایهشداردهندهزودهنگام وقوع تورم شدید در آینده نزدیک است.
۲۹.

طراحی و پیاده سازی یک سیستم تشخیص خودکار اختلال دوقطبی مبتنی بر سیگنال های مغزی(مقاله پژوهشی وزارت بهداشت)

نویسنده:
منبع: تحقیقات علوم رفتاری دوره سیزدهم پاییز ۱۳۹۴ شماره ۳ (پیاپی ۴۱)

کلیدواژه‌ها: اختلال دوقطبی شبکه های عصبی Neural Network سیگنال الکتریکی مغز (EEG) توان باندهای فرکانسی Bipolar Disorder

حوزه های تخصصی:
  1. حوزه‌های تخصصی روانشناسی روانشناسی مرضی تحولی اختلال خلقی دوقطبی
  2. حوزه‌های تخصصی روانشناسی عصب شناختی رفتاری جنبه زیستی اختلالها
تعداد بازدید : ۱۲۲۷ تعداد دانلود : ۹۸۰
زمینه و هدف: تشخیص صحیح بیماری اختلال دوقطبی به مهارت و تجربه بالای روان پزشک نیاز دارد و در بسیاری موارد شباهت های موجود در علائم منجر به تشخیص نادرست و حادتر شدن بیماری می شود. هدف این پژوهش استفاده از سیگنال های مغزی در زمینه تشخیص مؤثر این بیماری است. مواد و روش ها: مطالعه بر روی 12 فرد سالم و 12 فرد مبتلا به اختلال دوقطبی انجام شده است و سیگنال های الکتریکی مغز بر اساس استاندارد 20-10 و به صورت 16 کاناله ثبت شده است. با توجه به نتایج به دست آمده توسط سایر گروه های تحقیقاتی، این مطالعه بر روی سیگنال های الکتریکی کانال های F3، F4، P3، P4، T3، T4، O1 و O2 انجام شده است. دسته ویژگی های انرژی کل سیگنال و انرژی باندهای فرکانسی، فرکانس مرکزی، فرکانس ماکزیمم، ضرایب (AR یا Autoregressive) و توصیف های جورث از سیگنال های دریافتی استخراج شده و بر اساس این ویژگی ها افراد سالم و بیمار از طریق شبکه های عصبی پس انتشار و شعاع مبنا تفکیک شده اند. یافته ها: در بررسی دقیق ویژگی های استخراج شده می توان مشاهده نمود که ویژگی هایی چون فرکانس ماکزیمم، توان باند theta، تحرک و ضرایب AR مختلف می تواند مرجع مناسبی برای جداسازی گروه سالم از بیمار باشد. نتیجه گیری: در فرایند تشخیص خودکار، طبقه بندی کننده شعاع مبنا 3/87% و طبقه بندی کننده پس انتشار 7/94% قدرت تفکیک صحیح را دارا می باشند و براساس این نتایج می توانیم با صحت قابل قبولی افراد مبتلا به اختلال دوقطبی را از افراد سالم تشخیص دهیم.
۳۰.

طراحی و پیاده سازی یک سیستم تشخیص خودکار اختلال دوقطبی مبتنی بر سیگنال های مغزی(مقاله پژوهشی وزارت بهداشت)

نویسنده:
منبع: تحقیقات علوم رفتاری دوره سیزدهم پاییز ۱۳۹۴ شماره ۳ (پیاپی ۴۱)

کلیدواژه‌ها: اختلال دوقطبی شبکه های عصبی Neural Network سیگنال الکتریکی مغز (EEG) توان باندهای فرکانسی Bipolar Disorder

حوزه های تخصصی:
  1. حوزه‌های تخصصی روانشناسی روانشناسی مرضی تحولی اختلال خلقی دوقطبی
  2. حوزه‌های تخصصی روانشناسی عصب شناختی رفتاری جنبه زیستی اختلالها
تعداد بازدید : ۱۰۹۷ تعداد دانلود : ۷۰۸
زمینه و هدف: تشخیص صحیح بیماری اختلال دوقطبی به مهارت و تجربه بالای روان پزشک نیاز دارد و در بسیاری موارد شباهت های موجود در علائم منجر به تشخیص نادرست و حادتر شدن بیماری می شود. هدف این پژوهش استفاده از سیگنال های مغزی در زمینه تشخیص مؤثر این بیماری است. مواد و روش ها: مطالعه بر روی 12 فرد سالم و 12 فرد مبتلا به اختلال دوقطبی انجام شده است و سیگنال های الکتریکی مغز بر اساس استاندارد 20-10 و به صورت 16 کاناله ثبت شده است. با توجه به نتایج به دست آمده توسط سایر گروه های تحقیقاتی، این مطالعه بر روی سیگنال های الکتریکی کانال های F3، F4، P3، P4، T3، T4، O1 و O2 انجام شده است. دسته ویژگی های انرژی کل سیگنال و انرژی باندهای فرکانسی، فرکانس مرکزی، فرکانس ماکزیمم، ضرایب (AR یا Autoregressive) و توصیف های جورث از سیگنال های دریافتی استخراج شده و بر اساس این ویژگی ها افراد سالم و بیمار از طریق شبکه های عصبی پس انتشار و شعاع مبنا تفکیک شده اند. یافته ها: در بررسی دقیق ویژگی های استخراج شده می توان مشاهده نمود که ویژگی هایی چون فرکانس ماکزیمم، توان باند theta، تحرک و ضرایب AR مختلف می تواند مرجع مناسبی برای جداسازی گروه سالم از بیمار باشد. نتیجه گیری: در فرایند تشخیص خودکار، طبقه بندی کننده شعاع مبنا 3/87% و طبقه بندی کننده پس انتشار 7/94% قدرت تفکیک صحیح را دارا می باشند و براساس این نتایج می توانیم با صحت قابل قبولی افراد مبتلا به اختلال دوقطبی را از افراد سالم تشخیص دهیم.
۳۱.

بررسی تأثیر حاکمیت شرکتی و محافظه کاری بر توان پیش بینی مدل های ورشکستگی مبتنی بر شبکه های عصبی(مقاله علمی وزارت علوم)

نویسنده:
منبع: پژوهش های تجربی حسابداری سال پنجم تابستان ۱۳۹۵ شماره ۲۰

کلیدواژه‌ها: ورشکستگی نسبت های مالی عملکرد مالی شبکه های عصبی حاکمیت شرکتی

حوزه های تخصصی:
  1. حوزه‌های تخصصی مدیریت مدیریت صنعتی تحقیق در عملیات مدلسازی ریاضی
  2. حوزه‌های تخصصی مدیریت مدیریت مالی – حسابداری مدیریت مالی
تعداد بازدید : ۱۴۰۳ تعداد دانلود : ۸۸۸
در عمده پژوهش های صورت گرفته در حوزه پیش بینی عملکرد مالی شرکت ها و به طور خاص، ورشکستگی، تنها به پیش بینی و یا مقایسه توان پیش بینی مدل ها پرداخته شده و در انجام این پیش بینی ها از نسبت های مالی و اندازه شرکت استفاده شده است. اما هدف اصلی از انجام پژوهش حاضر، بررسی میزان تاثیر گذاری سازوکارهای حاکمیت شرکتی و محافظه کاری در جهت کمک به توانایی پیش بینی افشای مالی شرکت ها و باتبع آن عملکرد مالی آن ها می باشد. جامعه آماری پژوهش حاضر را شرکت های تولیدی پذیرفته شده در بورس اوراق بهادار تهران تشکیل می دهند که با اعمال محدودیت های لازم 90 شرکت (45 شرکت با عملکرد ضعیف و 45 شرکت با عملکرد قوی) مورد آزمون قرار گرفت. از شبکه های عصبی برای ایجاد تفاوت میان شرکت های ضعیف و قوی و پیش بینی، بهره گرفته شده است. نتایج پژوهش حاکی از آن است که اضافه نمودن متغیرهای حاکمیت شرکتی و محافظه کاری، تأثیری در ارتقای صحت پیش بینی عملکرد مالی در مدل های مبتنی بر شبکه های عصبی ندارند.
۳۲.

طراحی سیستم پیش بینی کننده عملکرد مالی در شرکت های صنعتی بر مبنای روش های داده کاوی

نویسنده:
منبع: مطالعات مدیریت فناوری اطلاعات سال چهارم زمستان ۱۳۹۴ شماره ۱۴

کلیدواژه‌ها: داده کاوی عملکرد مالی شبکه های عصبی اعتبارسنجی شرکت های صنعتی

حوزه های تخصصی:
  1. حوزه‌های تخصصی مدیریت مدیریت صنعتی تحقیق در عملیات الگوهای کمی در تصمیم گیری
  2. حوزه‌های تخصصی مدیریت مدیریت مالی – حسابداری مدیریت مالی
تعداد بازدید : ۹۷۰ تعداد دانلود : ۵۴۳
با ظهور انواع جدید کسب وکارها که منتج به افزایش پیچیدگی در فضای کسب وکار شده است، مدیران و سرمایه گذاران بیش ازپیش نیازمند ابزارهایی هستند که با استفاده از آن ها، شفافیت بیشتری در وضعیت آتی کسب وکار خود ایجاد نمایند. وضعیت مالی سازمان ها در همه ادوار از اهمیت ویژه ای برخوردار بوده است و بررسی سودآوری کسب وکار نیز از طریق تحلیل وضعیت مالی سازمان تبیین می شود. صورت های مالی، وضعیت مالی سازمان را در یک دوره مشخص در بردارند. در این تحقیق سعی بر آن است که با استفاده از نسبت های مالی و با به کارگیری الگوریتم های داده کاوی، سیستمی طراحی شود که با توجه به عملکرد گذشته شرکت های صنعتی، سود خالص آن ها را در آینده پیش بینی نماید و بر مبنای آن، تحلیل مناسبی از وضعیت عملکردی شرکت حاصل گردد. سیستم مبتنی بر شبکه عصبی که در این تحقیق طراحی شده است، با کشف روابط موجود میان نسبت های مالی و سودآوری شرکت ها، اقدام به پیش بینی سود خالص سازمان ها می نماید.
۳۳.

ارزیابی ریسک تقلب در مزایای بیمه بیکاری سازمان تأمین اجتماعی(مقاله علمی وزارت علوم)

نویسنده:
منبع: پژوهشنامه بیمه سال سی و یکم پاییز ۱۳۹۵ شماره ۳ (پیاپی ۱۲۳)

کلیدواژه‌ها: تأمین اجتماعی داده کاوی شبکه های عصبی درخت تصمیم ریسک تقلب بیمه بیکاری

حوزه های تخصصی:
تعداد بازدید : ۸۳۱ تعداد دانلود : ۴۱۱
تقلب در حقوق و مزایای بیمه بیکاری همواره یکی از موضوعات حساس و مورد توجه در حوزه بیمه های اجتماعی است که طبق قوانین، جزو جرائم کیفری بوده و قابل پیگیری است. در حال حاضر بهترین روش به منظور ارزیابی تقلب، کنترل آن در همان مراحل اولیه شکل گیری و به کمک اطلاعات تقلبهای کشف شده گذشته است. در این مقاله ابتدا مراحل استاندارد کنترل تقلب در تقاضاهای بیمه ای مورد بررسی قرار گرفته و سپس با توجه به وجود پایگاه داده مناسب در خصوص مقرری بگیران بیمه بیکاری سازمان تأمین اجتماعی، از دو روش داده کاوی شبکه های عصبی و درخت تصمیم به منظور یافتن الگوهایی مناسب استفاده شده است که می تواند به عنوان ابزاری سودمند همراه با کاهش قابل توجه در وقت و هزینه به ارزیابی به موقع تقلب در تقاضاهای بیمه بیکاری کمک کند. در فرایند مطالعه تجربی، این روشها بر روی داده های واقعی شامل اطلاعات 15983 تقاضای جدید و جاری مقرری بیمه بیکاری آزمایش و کارایی هر روش سنجیده شده است. روش شبکه های عصبی با دقت 88 درصد در ارزیابی صحیح متقلبانه یا عادی بودن تقاضاها، بهترین کارایی را در مقایسه با روش درخت تصمیم با دقت 84 درصد در برداشته است. بر این اساس، مهم ترین متغیرهای مؤثر بر تقاضاهای متقلبانه در روش شبکه های عصبی به ترتیب، متغیرهای شغل قبلی بیمه شده، سابقه پرداخت حق بیمه، سن و در روش درخت تصمیم، متغیرهای محل جغرافیایی شعبه، جنسیت، و تعداد افراد تحت تکفل متقاضی هستند.
۳۴.

تأثیر کاهش داده ها با استفاده از تحلیل عاملی بر دقت مدل های پیش بینی ورشکستگی(مقاله علمی وزارت علوم)

نویسنده:
منبع: پیشرفت های حسابداری دوره هشتم پاییز و زمستان ۱۳۹۵ شماره ۲ (پیاپی ۷۱/۳)

کلیدواژه‌ها: تحلیل عاملی ورشکستگی نسبت های مالی شبکه های عصبی مدل لوجیت

حوزه های تخصصی:
تعداد بازدید : ۹۶۰ تعداد دانلود : ۴۷۷
هدف از این پژوهش تعیین الگوهایی با استفاده از نسبت های مالی برای بالا بردن توان تصمیم گیری استفاده کنندگان از صورت های مالی در پیش بینی ورشکستگی شرکت ها است. در این پژوهش از 55 نسبت مالی پرکاربرد استفاده شده و با استفاده از تحلیل عاملی اکتشافی به 12 عامل تبدیل شده است. سپس با استفاده از مدل لوجیت و شبکه های عصبی صحت پیش بینی ورشکستگی با استفاده از 12 عامل به دست آمده، موردبررسی قرارگرفته است. جامعه ی آماری شامل دو گروه، 40 شرکت ورشکسته و 82 شرکت غیر ورشکسته، است. اطلاعات استفاده شده مربوط به دوره ی زمانی 1393-1387 است و نتیجه های پژوهش حاکی از آن است که 12 عامل به دست آمده با بهره گیری از هر دو مدل، دارای توان بالایی در پیش بینی ورشکستگی شرکت ها است و نیز الگوی مبتنی بر شبکه ی عصبی دارای بالاترین دقت است.
۳۵.

مقایسه الگوریتمهای پیش بینی و بهینه سازی در بورس اوراق بهادار تهران

نویسنده:
منبع: سیاست گذاری پیشرفت اقتصادی سال چهارم تابستان ۱۳۹۵ شماره ۲ (پیاپی ۱۱)

کلیدواژه‌ها: شبکه های عصبی بهینه سازی پرتفوی الگوریتم های فرا ابتکاری شبکه فازی عصبی

حوزه های تخصصی:
تعداد بازدید : ۱۶۱۳ تعداد دانلود : ۶۶۱
در این مطالعه، با استفاده از دو الگوریتم شبکه عصبی مصنوعی و شبکه فازی- عصبی به عنوان دو الگوریتم پیش بینی قیمت اوراق بهادار و از دو الگوریتم ممتیک حرکت تجمعی ذرات، الگوریتم ژنتیک و روش کوادراتیک به منظور حل مساله بهینه سازی پرتفوی بدون محدودیت برای 23 شرکت فعال بازار بورس طی سال های 94-1391 به صورت روزانه استفاده شده است. نتایج حاصل از این تحقیق نشان می دهد که شبکه های عصبی توانسته عملکرد بهتری را در پیش بینی بازده اوراق بهادار نسبت به سیستم فازی عصبی نشان دهد و همچنین در بررسی عملکرد سه الگوریتم کوادراتیک، ژنتیک و ممتیک، نتایج نشان می دهد که الگوریتم جهش ترکیبی قورباغه توانسته عملکرد و نتیجه بهتری را در مقایسه با الگوریتم ژنتیک نسبت به الگوریتم کوادراتیک نشان دهد. و همچنین نتایج این مطالعه، نشان می دهد که الگوریتم شبکه عصبی می تواند الگوریتمی قابل اتکا برای سهامداران باشد.
۳۶.

ترکیب شبکه عصبی، الگوریتم ژنتیک و الگوریتم تجمع ذرات در پیش بینی سود هر سهم(مقاله علمی وزارت علوم)

نویسنده:
منبع: دانش حسابداری سال هشتم پاییز ۱۳۹۶ شماره ۳۰

کلیدواژه‌ها: پیش بینی سود هر سهم شبکه های عصبی الگوریتم ژنتیک

حوزه های تخصصی:
تعداد بازدید : ۷۸۹ تعداد دانلود : ۴۲۳
پیش بینی سود هر سهم از اهمیت فراوانی برای سرمایه گذاران و مدیران داخلی شرکت ها برخوردار است. بررسی پژوهش های قبلی حاکی از این بوده است که در اکثر آن ها، به فرضیه وجود رابطه غیرخطی میان سود وعوامل تعیین کننده آن توجه نشده است. این در حالی است برخی از پژوهشگران نشان داده اند که رابطه میان سود و عوامل تعیین کننده آن خطی نیست. به همین دلیل و همچنین نقش محوری سود هر سهم در تصمیمات سرمایه گذاران، با استفاده از مدل های مختلف شبکه عصبی مصنوعی و مدل های سری زمانی، سود هر سهم میان دوره ای 126 شرکت پذیرفته شده در بورس اوراق بهادار تهران طی سال های 1389 تا 1395 بررسی و پیش بینی شده است. در ادامه و در گام بعدی برای تعیین متغیرهای ورودی مؤثر بر سود هر سهم از الگوریتم بهینه سازی ژنتیک و تجمع ذرات استفاده شده است. به کارگیری روش ترکیبی شبکه عصبی مصنوعی، الگوریتم ژنتیک و الگوریتم تجمع ذرات می تواند علاوه بر استفاده از روش های نوین برای پیش بینی سود هر سهم، سرمایه گذاران را نیز در تصمیم گیری های آتی یاری رساند. نتایج نشان می دهد روش پیشنهادی قادر است تا متغیرهای ورودی مؤثر بر سود هر سهم را از میان تمام متغیرهای ورودی استخراج و توانایی و قدرت تعمیم شبکه عصبی مصنوعی را افزایش دهد.
۳۷.

راهبردهای توسعه گردشگری سالمندی رهیافت بخش بندی بازار با استفاده از شبکه های عصبی(مقاله علمی وزارت علوم)

نویسنده:
منبع: چشم انداز مدیریت بازرگانی زمستان ۱۳۹۳ شماره ۲۰

کلیدواژه‌ها: راهبرد گردشگری سالمندی بخش بندی بازار شبکه های عصبی

حوزه های تخصصی:
تعداد بازدید : ۳۳۳
یکی از اهداف اولیه مدیران در صنعت گردشگری ایجاد و حفظ رضایت در گردشگران است. عدم اطلاع از خواسته ها و نیازهای گردشگران سالمند، راضی کردن آنها را مشکل خواهد نمود. شناخت ویژگی های افراد سالمند، نیازهای ویژه ، علایق و انگیزه های سفر یکی از راههای کمک به تصمیم گیری و برنامه ریزی مدیران در درک جامع تر رفتار و نیازهای فعلی و آتی است. از آنجا که سالمندان بازار هدف جذابی برای صنعت گردشگری هستند و گردشگری می تواند تأثیر مثبتی بر کیفیت زندگی و میزان لذت زندگی داشته باشد، در این تحقیق به دنبال شناخت و بخش بندی بازار گردشگران سالمند بوده تا با ارائه راهبردهایی، زمینه رشد و توسعه گردشگری داخلی برای آنان فراهم گردد. جامعه آماری، گردشگران سالمند ساکن اصفهان بوده و داده ها در تابستان و پاییز سال 1393 جمع آوری شده است. نتایج نشان می دهد سالمندان جوان، سالمندان مرفه و سالمندان جمع گرا، بخش های مختلف این جامعه می باشند. توسعه خطوط ریلی، ارائه تخفیفات ویژه حمل و نقل و اقامت، برنامه ریزی برای سفر در فصل های خلوت، ارائه تورهای متنوع تر از نظر زمانی، فراهم کردن خدمات ویژه متناسب با نیازهایشان از راهبردهای توسعه گردشگری داخلی برای سالمندان است.
۳۸.

به کارگیری شبکه های عصبی در فناوری گروهی و مقایسه با نتایج روش های خوشه بندی k میانگین، ضریب شباهت و آرایش رتبه ای(مقاله علمی وزارت علوم)

نویسنده:
منبع: چشم انداز مدیریت صنعتی سال سوم زمستان ۱۳۹۲ شماره ۱۲

کلیدواژه‌ها: شبکه های عصبی فناوری گروهی دسته بندی و کدینگ قطعات

حوزه های تخصصی:
تعداد بازدید : ۳۲۰ تعداد دانلود : ۳۹۳
مهم ترین مسئله هنگام پیاده سازی فناوری گروهی در واحدهای صنعتی، در درجه ی اول تشکیل خانواده ی قطعات و دسته بندی قطعات براساس آن و در مرحله دوم حفظ سازگاری و ثبات این دسته بندی در طول زمان است. برای دسته بندی قطعات، رویکردهای مختلفی وجود دارد و اگر رویکرد استفاده از خصوصیات قطعات برای دسته بندی آن ها مورد استفاده قرار گیرد، اولین و مهم ترین گام، طراحی و پیاده سازی ساختاری برای کدگذاری و شناخت قطعات براساس خصوصیات آن ها است. در این  پژوهش، کاربرد یک شبکه عصبی پس انتشار برای دسته بندی قطعات درقالب یک مطالعه ی موردی برای پین های کانکتورها و براساس خصوصیات آن ها مورد بررسی قرار گرفته و نتایج حاصل از آن با دسته بندی های صورت گرفته توسط تحلیل خوشه ای K میانگین، روش ضریب شباهت و خوشه بندی آرایش رتبه ای (ROC) برای همان قطعات مقایسه شده است. نتایج نشان دهنده قابلیت شبکه های عصبی برای دسته بندی قطعات براساس خصوصیات آن ها و برتری آن نسبت به روش تحلیل خوشه ای K میانگین است.
۳۹.

آشکارسازی تغییرات مناطق شهری مبتنی بر شبکه های عصبی، ویژگی های مکانی و الگوریتم ژنتیک با استفاده از تصاویر ماهواره ای بزرگ مقیاس(مقاله علمی وزارت علوم)

نویسنده:
منبع: سنجش از دور و GIS ایران سال هفتم تابستان ۱۳۹۴ شماره ۲ (پیاپی ۲۶)

کلیدواژه‌ها: آشکارسازی تغییرات گسترش شهر ویژگی های مکانی شبکه های عصبی الگوریتم ژنتیک

حوزه های تخصصی:
تعداد بازدید : ۴۲۰ تعداد دانلود : ۲۵۶
آشکارسازی تغییرات پوشش اراضی برای پایش رشد شهرها و برنامه ریزی مسئولانه در مورد آنها امری ضروری است. سنجش از دور فناوری قدرتمندی است که می توان از آن در آشکار سازی تغییرات اراضی استفاده کرد. یکی از چالش های موجود در این زمینه توسعة روش های کارآمد به منظور آشکار سازی تغییرات با سطح خودکارسازی بالاست که بتواند اطلاعاتی صحیحی در مورد موقعیت جغرافیایی و ماهیت این تغییرات ارائه کند. در پژوهش حاضر با استفاده از دو تصویر GeoEye منطقة 17 شهر تهران مربوط به سال های 2004 و 2010 از ویژگی های مکانی متن تصویر، شبکه های عصبی و الگوریتم ژنتیک برای آشکار سازی تغییرات استفاده شد. شش حالت مختلف، هریک با دو رویکرد طبقه بندی مستقیم چندزمانی و مقایسة پس از طبقه بندی، از دیدگاه صحت آشکارسازی و زمان اجرای الگوریتم مورد مقایسه قرار گرفتند. بررسی های انجام شده نشان دادند که رویکرد طبقه بندی مستقیم چندزمانی در هر شش حالت نتایج بهتری ارائه کرده است. همچنین در بین شش حالت بررسی شده، عملکرد حالت ششم (روش پیشنهادی این تحقیق) از نظر صحت طبقه بندی بهتر است. در حالت ششم پس از انتخاب بهینة ویژگی ها، طبقه بندی مبتنی بر شبکه های عصبی با تعیین معماری شبکه و با چندین بار اجرا صورت می گیرد. هرچند زمان اجرای این روش درمقایسه با دیگر حالت های بررسی شده بیشتر است، اما درصورتی که صحت طبقه بندی به زمان ارجحیت داشته باشد این روش کاملاً توصیه می شود
۴۰.

شناسایی و پیش بینی بازار گردشگران سالمند بر مبنای ارزشهای مورد انتظار(مقاله علمی وزارت علوم)

نویسنده:
منبع: مطالعات مدیریت گردشگری سال سیزدهم زمستان ۱۳۹۷ شماره ۴۴ 39 - 70

کلیدواژه‌ها: گردشگری سالمندان شبکه های عصبی تجربه سفر انگیزه سفر لذت سفر

حوزه های تخصصی:
تعداد بازدید : ۶۵۳ تعداد دانلود : ۳۳۶
شناسایی بخش ها ی بازار گردشگری به توسعه ی بهتر بسته های سفر و راهبردها ی کارآمدتر کمک می کند. با شناسا یی ارزشهای مورد انتظار ناشی از الگوهای رفتاری و مقایسه آن با علایق رفتاری سفر افراد سالمند درکنار ویژگی های فردی می توان بازار گردشگران سالمند را بخش بندی و پیش بینی کرد. این مطالعه از نظر هدف کاربردی و به لحاظ شیوه گردآوری اطلاعات، توصیفی- پیمایشی است. برای شناسایی ارزشهای مورد انتظار از رویکرد کیفی و روش دلفی و برای پیش بینی گروه ها ی بازار از رویکرد کمی با استفاده  از شبکه های عصبی بهره می برد.این پژوهش بین 380 نفر ازگردشگران سالمندان اصفهانی و تهرانی به روش نمونه گیری غیر تصادفی و در دسترس انجام شده است. نتایج نشان می دهد ارزشها ناشی از ویژگی های فردی و شخصیتی، انگیزه های سفر، تجربه سفر، سبک سفر و لذت سفر است. بازارگردشگران سالمند بر اساس ارزش های مورد انتظار، با تکنیک شبکه عصبی در سه گروه محافظه کار، مرفه و جوان شناسایی و پیش بینی شدند.