شبکه های عصبی

تخصیص مؤثر بودجه دفاعی یکی از وظایف مهم دولت ها در مبارزه با تروریسم است. در این مقاله، با استفاده از بهینه سازی دوسطحی و بازی حرکت پی درپی، یک بازی جدید مهاجم-مدافع چند هدفی به همراه محدودیت بودجه را به منظور مدلسازی روابط راهبردی متقابل بین مهاجم (تروریست ها) و مدافع (دولت ها) معرفی می کنیم. ما بر انواع مختلف حمله ی اتخاذ شده از سوی مهاجم تمرکز می کنیم. با استفاده از شرایط بهینگی کاروش-کان-تاکر، مسأله ی برنامه ریزی دوسطحی پیشنهادی به یک مسأله ی برنامه ریزی یک سطحی با محدودیت های مکمل تقلیل داده می شود. سپس با استفاده از تابع فیشر-برمیستر اختلالاتی، نظریه بهینه سازی و بعضی مفاهیم معادلات دیفرانسیل معمولی، یک شبکه عصبی توانمند برای حل این مسأله ی برنامه ریزی ریاضی یک سطحی طراحی می کنیم. نشان داده می شود که شبکه عصبی معرفی شده پایدار مجانبی و همگرا به جواب بهینه مسأله ی برنامه ریزی دوسطحی است. در پایان با استفاده از دو سناریو، عملکرد و اعتبار روش پیشنهادی را نشان می دهیم.

حصول سود بیشتر در سازمان ها نیازمند دستیابی آن ها به ابزارهایی دقیق برای تقویت کسب وکار به منظور برنامه ریزی مالی مناسب است. لذا هدف این تحقیق، نمایش دانش توسط شبکه عصبی جهت ارائه چارچوبی برای دستیابی به سود مطلوب در برنامه ریزی مالی سازمان بود. این پژوهش از نوع کاربردی بود و به روش پیمایش تحلیلی انجام شد. جامعه پژوهش، سازمان های حاضر در سازمان بورس و اوراق بهادار بوده و در آن از داده هایی که از سامانه رسمی سازمان بورس و اوراق بهادار ایران (کدال) استخراج شدند استفاده شد. این تحقیق با استفاده از روش شبکه عصبی و در محیط برنامه مطلب انجام شد. یافته های پژوهش محدوده تغییرات عوامل مؤثر بر شاخص اصلی در برنامه ریزی مالی سازمان (سود) بوده و همچنین مهم ترین عوامل مؤثر بر آن تعیین گردید. چارچوب پیشنهادی در سه مجموعه مختلف از سه صنعت متفاوت بررسی شده و دارای نتایج قابل قبولی بود؛ بنابراین نتیجه تحقیق بیانگر قابل استفاده بودن چارچوب پیشنهادی دراین پژوهش برای سایر سازمان های حاضر در بورس و اوراق بهادار بود.

برنامه ریزی حسابرسی با ارزیابی ریسک حسابرسی همراه است. هدف از اجرای این پژوهش ارزیابی ریسک حسابرسی با استفاده از رویکرد داده کاوی مبتنی بر شبکه های عصبی در شرکتهای پذیرفته شده در بورس اوراق بهادار تهران طی سالهای 1396تا 1398 بوده است که بر اساس داده های گرفته شده از 90 شرکت می باشد. جهت مرتب سازی داده ها از نرم افزار EXCEL و برای تجزیه و تحلیل یافته های پژوهش و کد نویسی هر یک از الگوریتم های مورد استفاده از نرم افزار MATLAB استفاده گردیده است. جهت ارزیابی ریسک حسابرسی، از طریق دوالگوی شبکه عصبی به ارزیابی قدرت هر کدام از الگوها پرداخته شد. در این پژوهش ابتدا از روش شبکه عصبی مصنوعی و سپس ترکیب آن با الگوریتم بهینه سازی اجتماع ذرات استفاده گردید. در ادامه به منظور مقایسه نتایج پیش بینی از میانگین درصدخطا، میانگین قدر مطلق خطا، مجذور میانگین مربعات خطا و ضریب همبستگی استفاده شد. نتایج پژوهش نشان داد الگوی ترکیبی قدرت پیش بینی بالاتری دارد.

فعالیت های صنعتی و ترافیک شهری منجر به افزایش آلودگی هوا در کلان شهرها می شود و این آلودگی سبب افزایش بیماری های بسیاری در افراد شده است؛ بنابراین بررسی و مطالعه مناطق آلوده برای مدیریت شهرها مهم است. با توجه به اهمیت موضوع، هدف از این مطالعه بررسی وضعیت آلودگی هوا در کلان شهرهای تهران، اصفهان و قم از نظر آلاینده های NO2، CO2، CO، و CH4، پیش از کرونا (2019-2018) و حین کرونا (2021-2020) طی چهار فصل متفاوت سال است. همچنین با استفاده از روش همبستگی پیرسون و شبکه های عصبی RBF (شبکه عصبی تابع شعاعی پایه)، ارتباط بین دما و آلاینده ها بررسی شد. نتایج این مطالعه نشان داد که در کلان شهرهای تهران و اصفهان، میزان آلودگی هوا بیشتر از سایر مناطق است؛ همچنین میزان آلودگی در دوران کرونا در قیاس با پیش از کرونا، کاهش چشمگیری داشته است. افزون براینها نتایج حاصل از روش رگرسیون بیان کرد که افزایش دما با میزان آلودگی ارتباط معنی داری دارد (R2=0.981)؛ به گونه ای که در مناطق دارای آلودگی، میزان دما هم بیشتر بوده است. نتایج استفاده از روش RBF نیز حاکی از دقت بالای مدل در پیش بینی میزان آلودگی هوا بوده است (R2 = 0.85 ، RMSE = 0.08)؛ در نتیجه، این تحقیق بر نیاز به اقدامات جامع به منظور کاهش آلودگی هوا، به ویژه در مناطق بسیار آلوده، تأکید می کند. 

هدف: اطلاعات حسابداری و گزارشگری مالی شرکت های مشابه، نقش مهمی در قیمت گذاری عرضه های عمومی اولیه دارد. هدف این پژوهش ارائه الگوی اثر درجه شباهت گروهی و کیفیت اطلاعات حسابداری و کیفیت گزارشگری مالی بر ارزش گذاری عرضه عمومی اولیه سهام با استفاده از الگوریتم شبکه های عصبی مصنوعی است. روش: این تحقیق از نظر هدف کاربردی است و با استفاده از داده های 92 شرکت پذیرفته شده در بازار سرمایه در بازه زمانی سالهای 90 تا 98، با بهره از روش رگرسیون چندگانه به روش داده های ترکیبی و در ادامه استفاده از الگوریتم های شبکه عصبی مصنوعی به آزمون فرضیه ها می پردازد. یافته ها: ارزش گذاری سهام در عرضه های عمومی اولیه، از لحاظ درجه شباهت شرکت های هم گروه و کیفیت اطلاعات حسابداری شرکت متفاوت است و تشابه کیفیت اطلاعات حسابداری، اثر شرکت های هم گروه را بر ارزش گذاری عرضه عمومی اولیه تعدیل می کند؛ اما ارزش گذاری سهام مبتنی بر شرکت های هم گروه و کیفیت اطلاعات حسابداری، با قیمت گذاری اشتباه در عرضه های عمومی اولیه در ارتباط نیست. همچنین الگوریتم کرم شب تاب توان بالاتری جهت پیش بینی ارزش گذاری عرضه عمومی اولیه سهام دارد. نتیجه گیری: اطلاعات یک عرضه اولیه، محدود به اطلاعات حسابداری خود نیست و اطلاعات حسابداری و کیفیت گزارشگری شرکت های هم گروه، حاوی اطلاعاتی در مورد قیمت گذاری عرضه های اولیه است.

مدل های آماری مختلفی برای پیش بینی و طبقه بندی در علوم وجود دارد.  روش های آماری و اقتصادسنجی نظیر رگرسیون، تحلیل تمایزی، سری های زمانی، رده بندی و دیگر  روش ها، بر اساس متغیرها و اطلاعات موجود برای پیش بینی و طبقه بندی یک موضوع خاص به کار می روند.  مدل های آماری متأثر از مفروضات و محدودیت های زیادی هستند، بدین لحاظ اخیرا شبکه های عصبی به عنوان شیوه ی نوین پیش بینی به دلیل عدم نیاز به فروض و محدودیت ها در توزیع داده ها و کارایی بالاتر آن مورد توجه ویژه قرار گرفته است.  هدف از این مقاله مقایسه ی توانایی مدل های شبکه ی عصبی مصنوعی با رگرسیون لجستیک و تحلیل تمایزی برای پیش بینی ریسک نکول است.  با استفاده از اطلاعات 23801 قرارداد لیزینگ و انتخاب متغیرهای مدت قرارداد، مبلغ قرارداد، نوع صنعت، نوع قرارداد، نوع تضمین و خط مشی و سیاست اعتباری به عنوان متغیرهای پیش بین     مدل های رگرسیون لجستیک، تحلیل تمایزی و شبکه ی عصبی برازش شد.  از تحلیل راک و مقایسه ی صحت طبقه بندی برای مقایسه ی قدرت پیش بینی مدل ها استفاده شد.  نتایج حاکی از معنی دار بودن متغیرهای فوق در پیش بینی نکول بوده و مقایسه ی قدرت پیش بینی مدل ها موید برتری شبکه های عصبی  نسبت به رگرسیون لجستیک و تحلیل تمایزی  است.

آب به عنوان یکی از مهمترین نیازهای بشر، در زندگی روزمره دارای نقش حیاتی است. آگاهی از میزان تقاضای مورد نیاز آب برای سیاست گذاری مدیریت تقاضا، از اهمیت ویژه ای برخوردار است. در این مطالعه مدلی ترکیبی (تلفیقی از مدل های خطی و غیر خطی) منطبق با شرایط و ساختار اقلیمی شهر تهران و متغیرهای موثر بر مصرف آب برای پیش بینی تقاضای کوتاه مدت آب شهری طراحی شده است. با کمک این مدل، تقاضای روزانه آب شهری برای 10 روز بعد بر اساس مدل های ARIMA، شبکه عصبی و مدل تلفیقی تبدیل موجک، پیش بینی شده است. سپس مقادیر پیش بینی شده هر یک از مدل ها، توسط معیار ارزیابی MAPE و R2 در پیش بینی گام به گام و مجموع 10 روز مورد ارزیابی قرار گرفته است. در نهایت برای تقاضای روزانه آب شهر تهران، مدل تلفیقی تبدیل موجک با خطای کم (دقت پیش بینی بالا) به عنوان مدل بهینه انتخاب شده است. طبقه بندی JEL:  C45 ،C53 ،D12 ،Q25

هدف: هدف از انجام این پژوهش مقایسه خطای قیمت گذاری دو مدل بارلز سونر و باکستین هاویسون در بازار اختیار معامله شاخص S&P500 است. این مقایسه برای مشخص کردن نزدیک ترین مدل به بازار اختیار معامله[1] انجام شده است.روش: در ابتدا پس از معرفی دو مدل بارلز سونر و باکستین هاویسون به حل معادلات دیفرانسیل جزئی با گروه های لی پرداخته شده است. سپس با داده های تاریخی شاخص S&P500 از  آگوست  تا  آگوست ، قیمت اختیار معامله این دارایی تحت هر دو مدل محاسبه شده است. سپس داده های به دست آمده با شبکه های عصبی پرسپترون چند لایه و احتمالی دسته بندی شده اند. بعد از آموزش، شبکه ها با ارائه داده های آزمون بررسی شده و نشان داده اند که بازار به کدام مدل نزدیک تر است. در ادامه، علاوه بر دسته بندی داده ها با شبکه های عصبی، به روش جبرلی به قیمت گذاری اختیار معامله S&P500 پرداخته و جواب حاصل با مقادیر واقعی اختیار معامله در بازار مقایسه شده است.یافته ها و نوآوری: با داده های آماری بعد از 18 آگوست 2023، شبکه های عصبی احتمالی و پرسپترون چند لایه آزموده شده اند. سپس به کمک همان داده ها معادلات بارلز سونر و باکستین هاویسون قیمت گذاری و اختلاف آنها از قیمت واقعی بازار محاسبه شده است. در آزمودن شبکه ها، شبکه عصبی پرسپترون چند لایه 60 درصد از داده های آزمون و شبکه عصبی احتمالی تمامی داده ها را در دسته بارلز سونر قرار داد. در محاسبه اختلاف جواب های گروه های لی با داده های واقعی بازار، 80 درصد داده ها اختلاف کمتری با مدل بارلز سونر داشت. درنتیجه، قیمت واقعی اختیار معامله S&P500 در بازار به مدل بارلز سونر نزدیک تر بوده است. به عبارت دیگر، در این بازار مدل بارلز سونر خطای کمتری نسبت به مدل باکستین هاویسون داشته است.

بلوار طاق بستان (شهید شیرودی) در شهر کرمانشاه، با توجه به تاریخ و فرهنگ بسیار غنی این شهر، به یکی از مهمترین مقاصد گردشگری و تفریحی تبدیل شده است. با این حال، شرایط نورپردازی در این بلوار، همچنان به نحوی ایده آل نیست که بتواند زیبایی و جذابیت بیشتری به فضای شهری ببخشد. در نتیجه، طراحی نورپردازی هوشمند بلوار طاق بستان با بهره گیری از الگوریتم های شبکه عصبی و ارائه الگوریتم مناسب، می تواند به بهبود شرایط روشنایی و بصری این بلوار، بهبودی محسوسی ببخشد و جذابیت بیشتری به فضای شهری شهر کرمانشاه اضافه کند. در این مقاله، ابتدا چالش های نورپردازی پیاده روها و نکات اجرایی در طراحی نورپردازی معابر شهری بررسی شده است. سپس با درنظر گرفتن دو عامل رضایتمندی شهروندان و زیبایی بصری به عنوان خروجی و هم چنین دمای رنگ، شدت روشنایی، نوع چراغ و درخشندگی به عنوان ورودی های مدل، برای بلوار طاق بستان شهر کرمانشاه از الگوریتم شبکه عصبی MLP استفاده شده است تا یک سیستم نورپردازی هوشمند و مناسب برای آن طراحی شود. طراحی پیشنهادی بهینه ترین شرایط را دارد زیرا خطاهای MRE و MAE  بدست آمده از شبکه عصبی کمتر از 0.035 درصد است که بسیار ایده ال است. بنابراین سیستم نورپردازی طراحی شده آسایش روانی و امنیت شهروندان را به دنبال دارد.

پیشگیری از جرائم مرتبط با داروهای تقلبی به دلیل فنّاوری های استفاده شده در تولید و توزیع این داروها با روش های سنتی مانند نظارت میدانی چشم انداز روشنی نخواهد داشت؛ ازاین رو اتخاذ تدابیر پیشگیرانه مناسب نیازمند بهره گیری از فنّاوری های نوین با قابلیت کشف این جرائم در مقیاس وسیع و دقت بالاست. در این راستا، شبکه های عصبی هوش مصنوعی نظیر شبکه های عصبی بازگشتی، شبکه عصبی مولد تصادفی و شبکه عصبی کانولوشن با الهام گرفتن از ساختار مغز انسان قادر به کشف این جرائم هستند. بااین حال، هریک از این شبکه ها معایبی دارند که بی توجهی به آن، نظام حقوقی را در پیشگیری از این جرائم با دشواری مواجه می کند؛ بنابراین تحقیق حاضر با روش مطالعه موردی، تلاشی در راستای شناسایی کارآمدترین شبکه عصبی برای پیشگیری از این جرائم به شمار می رود. برون داد این تحقیق نشان می دهد که قانون گذار به روش نظارت در حوزه پیشگیری وضعی توجه ویژه داشته است؛ اما ابزار این نظارت را تعریف نکرده است. با وجوداین، معاونت غذا و دارو با استفاده از سامانه تیتک (کد رهگیری) اقدام به شناسایی کشف جرائم این عرصه می کند. باوجوداین، این سامانه به دلیل غیرهوشمندبودن سامانه، قادر به کشف تمامی اشکال تقلب نخواهد بود؛ بنابراین به نظر می رسد استفاده هم زمان از سه شبکه (شبکه های عصبی بازگشتی، شبکه عصبی مولد تصادفی و شبکه عصبی کانولوشن) در قالب یک شبکه عصبی ترکیبی تحقق کشف جرائم دارویی را در مقیاس وسیع ارتقا دهد.