الگوریتم پس انتشار خطا

هدف اصلی این مطالعه مقایسه قدرت پیش بینی دو مدل رگرسیون هدانیک و شبکه عصبی مصنوعی (ANN) و تعیین یک مدل بهینه برای پیش بینی قیمت هدانیک مسکن درکلان شهر تبریز می باشد. نتایج تخمین تابع قیمت هدانیک بیانگر آن است که اکثر متغیرها معنا دار بوده و دارای علامت مورد انتظار می باشند. عوامل فیزیکی بیشتر از عوامل مکانی(محیطی و دسترسی) قیمت واحدهای مسکونی را تحت تأثیر قرار می دهند. همچنین، از بین ویژگی های فیزیکی، دارابودن سالن اجتماعات، دارا بودن استخر، تعداد اتاق ها و نمای ساختمان مهم ترین عوامل مؤثر بر قیمت مسکن هستند. مهم ترین ویژگی مکانی اثر گذار بر قیمت نیز، فاصله تا مراکز آموزشی می باشد. به منظور مقایسه قدرت پیش بینی از معیارهای MSE، RMSE، MAE و R2 استفاده شده گردید. براساس کلیه معیارها، مدل شبکه عصبی مصنوعی خطای کمتر و در نتیجه کارایی بیشتری در پیش بینی قیمت هدانیک مسکن داشته است. همچنین، برای اینکه از لحاظ آماری نیز فرضیه برابری قدرت پیش بینی در مدل های رقیب مورد آزمون قرار گیرد از آزمون مرگان-گرنجر- نیوبلد (MGN) استفاده شده گردید که نتایج آزمون بیانگر آن است که روش شبکه عصبی مصنوعی از لحاظ آماری نیز برتر از مدل هدانیک می باشد.

ضرورت آگاهی از وضعیت منابع آب و نزولات جوی در مناطق مختلف برای اجرای طرح های آبی از یک سو، و فقدان شبکه ای مطلوب از ایستگاه های اندازه گیری پارامترهای هواشناسی از سوی دیگر، اهمیت استفاده از روش های غیرمستقیم را برای تخمین پارامترهای اقلیمی در بسیاری از مناطق کشور آشکار می سازد. پیش بینی تغییرات اقلیمی حاکم بر هر منطقه و مدل سازی های اقلیمی و هیدرولوژیکی، مستلزم در دسترس بودن اطلاعات درازمدت و هم زمانِ بارش در قالب های مکانی و زمانی در ایستگاه های باران سنجی است. به دلیل عدم کفایت ایستگاه های ثبت بارندگی در گذشته، دسترسی به این اطلاعات در بسیاری از مناطق کشور با محدودیت هایی همراه است و پیاده سازی این مدل ها در مناطق مذکور عملاً ناممکن می نماید. استفاده از شبکه های عصبی مصنوعی (ANN) امکان برآورد این اطلاعات را در ایستگاه های پراکندة باران سنجی، و در درازمدت حتی در سال هایی که منطقه فاقد ایستگاه های ثبت بارش بوده است، فراهم می کند. در این تحقیق برای برآورد آمار میانگین بارندگی ماهانه و فصلی و سالانه در 305 ایستگاه هواشناسی موجود در سه استان اردبیل و آذربایجان شرقی و آذربایجان غربی در دو دهه پیش از تأسیس این ایستگاه ها، از 36600 داده ثبت شدة آمار بارندگی ماهانه در دورة ده ساله 2004-1995 استفاده شد. این داده ها به عنوان ورودی برای آموزش شبکه های عصبی با الگوریتم پس انتشار خطا به کار گرفته شدند. طول و عرض جغرافیایی، ارتفاع، شیب، عدد ماه و میانگین بارندگی ماهانه 5 ایستگاه نزدیک تر به هر ایستگاه نیز به عنوان پارامترهای ورودی شبکه انتخاب شدند. ابتدا شبکه عصبی برای دوره ده ساله 2004-1995 آموزش داده شد و دقتی معادل (84/0=R) به دست آمد. پس از آموزش شبکه عصبی، اقدام به برآورد داده های میانگین بارندگی ماهانه و فصلی و سالانه در دوره زمانی 1994-1975 در ایستگاه های موجود در منطقه مطالعاتی گردید. دقت شبکه عصبی در این برآورد معادل 7/0، 78/0 و 88/0 به ترتیب برای تخمین مقادیر میانگین بارندگی ماهانه و فصلی و سالانه در سطح منطقه مورد مطالعه بود. میزان این دقت برای هر سه استان به صورت مجزا اعتبارسنجی شد و بیشترین دقت در استان آذربایجان غربی (معادل 78/0) به دست آمد. سپس اقدام به تولید نقشه های درون یابی شده میانگین بارندگی ماهانه و فصلی و سالانه در سطح منطقه مطالعاتی، با استفاده از تخمینگر زمین آماری کریجینگ براساس داده های برآوردشده با تکنیک شبکه های عصبی و داده های موجود ثبت شده در ایستگاه ها در دوره زمانی 2004-1975 گردید. نتایج این تحقیق امکان دسترسی به آمار پیوسته و درازمدت بارندگی و همچنین بررسی تغییرات توزیع مکانی بارندگی را در منطقه شمال غرب کشور از گذشته تا امروز میسر می سازد.

هدف این پژوهش بررسی موانع موجود در تعیین قیمت سهام به روش شبکه عصبی مصنوعی در شرکت های صنایع فلزی و کانی پذیرفته شده در بورس اوراق بهادار تهران می باشد. در این پژوهش از دو روش تحلیل آماری و شبکه عصبی استفاده شده است. در روش تحلیل آماری پرسشنامه ای تدوین گردید که بین کارشناسان ارشد بورس اوراق بهادار و اساتید دانشگاه آزاد واحد های شهر تهران که به مفاهیم شبکه عصبی و پیش بینی قیمت سهام آشنایی کامل دارند، توزیع شد و با استفاده از آزمون t و کای اسکور به بررسی فرضیات پژوهش پرداخته و در نهایت تمام فرضیه ها مورد تایید قرار گرفت. مجددا فرضیات پژوهش با استفاده از روش شبکه عصبی پس انتشار خطا و با استفاده از مدل آموزش لورنبرگ – مارکوات مورد بررسی قرار گرفت و مشخص گردید در حالتی که شاخص ها به عنوان ورودی وارد شبکه می گردند پیش بینی قیمت سهام نسبت به حالتی که شاخص ها به عنوان ورودی وارد شبکه نمی گردند، از دقت کافی برخوردار نیست و در عین حال خطای شبکه هم افزایش می یابد. در نهایت نتایج شبکه عصبی با نتایج تحلیل آماری مطابقت دارد به عبارتی در هر دو روش، شاخص ها به عنوان موانعی در پیش بینی قیمت سهام به روش شبکه عصبی تعیین گردیده است.