شبکه عصبی مصنوعی

فرسایش به وسیله آب، جدی ترین شکل تخریب زمین در بسیاری از نقاط جهان به ویژه در مناطق خشک و نیمه خشک است که در آن میزان تشکیل خاک معمولاً کمتر از میزان فرسایش آن می باشد. در این تحقیق کارایی مدل های شبکه عصبی مصنوعی به دو روش تابع شعاع محور(RBF) و پرسپترون چند لایه(MLP) در تخمین رسوب معلق در حوضه قره سو استان اردبیل مورد بررسی قرار گرفت. در این مطالعه از داده های 3834 رسوب روزانه ثبت شده مربوط به دوره آماری سال 1350 تا 1399 استفاده شد. به منظور بررسی همبستگی بین متغیرها برای ورود به عملیات مدلسازی از روش همبستگی پیرسون استفاده گردید و جهت پیش بینی و مدلسازی رسوب در حوضه موردنظر از مدل شبکه عصبی مصنوعی استفاده شد. نتایج نشان می دهد که انتخاب تعداد 3 نرون در لایه پنهان با داده های ارزیابی، آموزش و جدانگه داشته شده به ترتیب با مقادیر 2618، 701 و 515 برای مدل RBF و تعداد 8 نرون در لایه پنهان با داده های ارزیابی، آموزش و جدانگه داشته شده به ترتیب با مقادیر 2592، 709 و 533 برای مدل MLP، بیشترین دقت پیش بینی را دارا می باشند. بطوریکه دقت پیش بینی در مدل RBF با ضریب همبستگی 941/0R2= و 002/65RMSE= و در مدل MLP با ضریب همبستگی 917/0R2= و 244/88RMSE= می باشد. با توجه به مشکلات اندازه گیری رسوبات بار کف و اریب زیاد ناشی از محاسبه بار بستر به عنوان درصدی از بار معلق، می توان توصیه نمود که از مدل شبکه عصبی مصنوعی RBF به عنوان یک روش قدرتمند، سریع و با دقت بالا برای تخمین رسوب استفاده شود. همچنین نتایج حاضر ضمن معرفی عوامل تاثیرگذار بر میزان تولید رسوب در حوزه مورد مطالعه ، می تواند برای برآورد رسوب به مناطق فاقد آمار تعمیم داده شود.

به منظور کنترل عرضه و تقاضای انرژی و برنامه ریزی صحیح در هدایت مصرف، میزان مصرف گاز ماهانه صنایع کشور با شبکه عصبی مصنوعی و الگوریتم ژنتیک در این پژوهش برای سال 1402 موردبررسی قرار گرفت. اطلاعات جمعیت کشور، شاخص بهای تولیدکننده صنعت، تولید ناخالص داخلی به قیمت ثابت 90 و مصرف گاز صنایع کشور به عنوان متغیرهای تأثیرگذار بررسی شدند. نتایج نشان داد بهترین شبکه عصبی مصنوعی ترکیب شده با الگوریتم ژنتیک، شبکه ای با نرخ جهش 5/0، نرخ تقاطع 5/0، تعداد تکرار 150 و اندازه جمعیت اولیه 150 است. ترکیب شبکه عصبی مصنوعی و الگوریتم ژنتیک نشان داد که در فصل بهار درمجموع 7/2957 میلیون بشکه معادل نفت خام، در تابستان این رقم به 6/3502، در پاییز 9/4329 و در زمستان با رشد 15/8 درصدی به 4683 میلیون بشکه معادل نفت خام خواهد رسید.

هدف این پژوهش، شناسایی پیشران های اثربخشی تیمی در شرکت فولاد خوزستان از راه شبکه عصبی مصنوعی است. این پژوهش بر اساس هدف، از نوع پژوهش های کاربردی-توسعه ای بر مبنای روش و نحوه گردآوری داده ها، پژوهشی توصیفی- پیمایشی و از نظر نوع داده ها، رویکرد پژوهش کمی است. جامعه آماری پژوهش را 1020 نفر از کارکنان و مدیران شرکت فولاد خوزستان تشکیل می دهند که با روش نمونه گیری تصادفی ساده و هدفمند، 360 نفر برای نمونه انتخاب شدند. نتایج نشان داد شبکه عصبی مصنوعی با درصد دقت بالا (در شناسایی شاخص هایی که اثربخشی را افزایش می دهند: یعنی 3/97 در بخش آموزش و 8/95 در بخش آزمایش، همچنین در شناسایی شاخص هایی که اثربخشی را افزایش نمی دهند: یعنی 5/96 درصد در بخش آموزش و 9/92 در بخش آزمایش) توانسته است درست عمل کرده و پیش بینی کند که این موضوع بیانگر کارایی و حساسیت بسیار بالای این سیستم است. همچنین، از تعداد 125 شاخص ارائه شده، تعداد 65 شاخص مستقل فعال در پیش بینی اثربخشی تیمی موفق عمل کردند که این روش توانست با تعریف متغیر صفر و یک آنها را شناسایی کند. شبکه عصبی مصنوعی در تحلیل داده ها ما را به این نتیجه رساند که به ترتیب شاخص های یادگیری تیمی، جهت سازی یکسان تیمی و ذهنیت چابک، مهم ترین پیشران ها در اثربخشی تیمی محسوب می شوند و نیاز است مطالعه عمیقی روی این ابعاد انجام شود.

مقدمه: امروزه توسعه کالبدی شهرها به صورت روزافزون در حال افزایش است. مدیریت صحیح این توسعه از جهات گوناگون در زمره مسائل مهمی است که باید مدنظر قرار بگیرد. روش های متعددی برای پیش بینی و تعیین جهت توسعه شهری وجود دارد که یکی از این روش ها در تعیین مناطق مناسب، روش مبتنی بر شبکه های عصبی است. هدف تحقیق: هدف این پژوهش مدل سازی توسعه شهر رشت طی بیست سال اخیر و پیش بینی جهات توسعه این شهر تا سال 2032 می باشد. روش شناسی تحقیق: با استفاده از تصاویر ماهواره ای ETM+ لندست 7 و8 سال های 2002، 2012 و 2021 شهر رشت و با نرم افزار GIS تصاویر با ترکیب باندی مناسب آماده و سپس با استفاده از روش شبکه عصبی مصنوعی پرسپترون چند لایه (MLP) تصاویر طبقه بندی شده اند. شاخص های در نظر گرفته شده برای مدل همسایگی مناطق شهری، فاصله از نقاط شهری، فاصله تا مناطق مرکزی شهر و فاصله تا خیابان ها و راههای اصلی می باشند. قلمرو جغرافیایی پژوهش: شهر رشت، مرکز استان گیلان و در ۴۹ درجه و ۳۵ دقیقه و ۴۵ ثانیه طول شرقی و ۳۷ درجه و ۱۶ دقیقه و ۳۰ ثانیه عرض شمالی از نصف النهار گرینویچ قرار دارد و مساحت آن حدود ۱۰۲۴۰ هکتار می باشد. یافته ها: در این مدل در حالت آموزش مرحله اول (ورودی اعمال چهار شاخص بر تصاویر سال 2002)، شبکه 104 تکرار انجام داد و کمترین میزان خطا که با معیار آنتروپی متقاطع ارزیابی می شود در تکرار 98ام برابر با 058526/0 گردید. در مرحله دوم ورودی مدل اعمال چهار شاخص بر روی تصاویر 2012 بوده که کمترین میزان خطا 076657/0 ارزیابی شد. نتایج: در مجموع مدل توانسته است برای پیش بینی توسعه شهر رشت در سال 2012، 9/95 درصد و برای سال 2021، 8/93 درصد برآورد درستی داشته باشد که این عددها می تواند قابل قبول باشد. خطای مدل در این بخش اول 1/4 درصد و در بخش دوم 2/6 درصد بوده است. با بررسی دوره بیست ساله روند توسعه کالبدی، جهات توسعه شهر رشت در سال 2032 پیش بینی شد.

هدف: مسایل بهینه سازی یکی از زمینه های جالب، مهم و پرطرفدار در ریاضیات مالی هستند. مدل بهتر بهینه سازی سبد سهام می تواند به سرمایه گذاران کمک کند تا سود پایدارتری کسب کنند. ادبیات موجود نشان می دهد که عملکرد استراتژی های سنتی پرتفوی میانگین-واریانس مناسب نیست. برای پرداختن به این موضوع، در این مطالعه از شبکه عصبی پرسپترون چندلایه و شبکه عصبی کانولوشن برای پیش بینی جهت آتی قیمت سهام استفاده شده است.روش شناسی پژوهش: دقت پیش بینی این دو روش با یکدیگر مقایسه می شود و خروجی های هر روشی که دارای دقت بالاتری بود، وارد مدل پیشنهادی می گردند. سپس با در اختیار داشتن جهت آتی قیمت سهام، یک طرح انتخاب سهام کارآمد برای سرمایه گذاران پیشنهاد می دهیم. همچنین یک آزمون بر روی طرح انتخاب سهام پیشنهادی و استراتژی های سرمایه گذاری انجام می دهیم که در آن اجزای شاخص بورس اوراق بهادار تهران به عنوان نمونه های آزمایشی انتخاب می شوند.یافته ها: نتایج تجربی نشان می دهد که طرح انتخاب سهام پیشنهادی می تواند به طور موثر عملکرد همه استراتژی های سرمایه گذاری را بهبود بخشد. علاوه بر این، استراتژی سرمایه گذاری پیشنهادی در مقایسه با استراتژی سرمایه گذاری حداقل واریانس سراسری سنتی عملکرد بهتری دارد.اصالت/ارزش افزوده علمی: این پژوهش با ارایه چارچوبی نوآورانه برای انتخاب پرتفوی مبتنی بر شبکه های یادگیری عمیق، نقشی کلیدی در افزایش کارایی سرمایه گذاری، مدیریت ریسک و بهبود تصمیم گیری در بازار سرمایه ایران ایفا می کند و الگویی پیشرفته برای سایر بازارهای مشابه فراهم می نماید.

هدف این پژوهش پیش بینی قیمت سهام با استفاده از دو نوع شبکه عصبی در بورس اوراق بهادار تهران است. شبکه های عصبی بازگشتی [1] عموماً در پیش بینی داده های سری زمانی توانایی خوبی دارند، اما شبکه ی عصبی پیچشی [2] عمدتا برای کاربردهایی چون بینایی کامپیوتر استفاده می شوند. برای انجام این پژوهش از زبان پایتون در ویرایشگر VS code استفاده شده است. جامعه آماری این پژوهش بورس اوراق بهادار تهران می باشد. حجم نمونه آماری این پژوهش شامل داده های سه نماد بورس اوراق بهادار تهران به شرح ایران خودرو، البرز دارو و توسعه معادن روی ایران است. در این پژوهش از هشت ویژگی قیمت در چارچوب زمانی روزانه از تاریخ 1380 تا تاریخ 1400 استفاده می شود که شامل بالاترین قیمت، پایین ترین قیمت، قیمت بسته شدن، قیمت باز شدن، ارزش معاملات، حجم معاملات، اختلاف قیمت بسته شدن دو روز متوالی، و بازده روزانه است. برای ارزیابی عملکرد مدل ها از سه معیار خطای میانگین خطای مطلق، ریشه میانگین مربعات خطا و ضریب تعیین استفاده شده است. نتایج نشان می دهد که مدل شبکه عصبی پیچشی توانایی پیش بینی با دقت خوبی را دارا می باشد. شبکه های عصبی بازگشتی از بهترین نوع شبکه ها برای پیش بینی قیمت هستند، اما نتایج نشان می دهد که شبکه عصبی پیچشی عملکرد بهتری از شبکه عصبی حافظه کوتاه مدت ماندگار داشته است. نتایج نشان می دهد که مدل های یادگیری عمیق در صورتی که در انتخاب ویژگی هایی (متغیرهای مستقل) که بتوانند بیشترین میزان معناداری را در تفسیر علل فراز و فرودهای قیمت در دوره های رونق و رکود بازار داشته باشند، قابلیت و توانایی پیش بینی قیمت، با دقت قابل قبول را خواهند داشت. [1] . Recurrent Neural Network (RNN) [2] . Convolutional neural network (CNNs)

زﻣیﻦﻟﻐﺰشﻫﺎ، یکی از مخاطرات طبیعی هستند که جان و مال انسانها را تهدید می کنند. زمین لغزش ممکن است در یک منطقه ده ها، صدها و شاید هزارن هکتار از اراضی را در زمانی کوتاه تخریب نماید. این مخاطره سالهاست که در منطقه کوهستانی میشخاص استان ایلام، اراضی باغ میوه، مزارع، عرصه های جنگلی و مراتع، راه های ارتباطی، سکونتگاه های روستایی را تخریب نموده است. پهنه بندی خطر زمین لغزش جهت کنترل این مخاطره در این حوضه ضرورت دارد. هدف اصلی این تحقیق پهنه بندی مناطق خطر زمین لغزش در این حوضه آبخیز می باشد. یکی از روش های نوین جهت بررسی خطر زمین لغزش، روش شبکه عصبی مصنوعی می باشد .این روش نسبت به روش های دیگر دارای مزیت هایی است، توزیع آماری داده ها مستقل است و به متغیرهای آماری مخصوصی نیاز ندارد. در این تحقیق، ابتدا اقدام به تهیه نقشه پراکنش زمین لغزش در حوضه انتخابی گردید. سپس ارتباط بین متغیرهای مستقل مانند شیب، سنگ شناسی، فاصله از گسل، کاربری اراضی، فاصله از شبکه راه ها، فاصله از آبراهه ها، جهت شیب با مناطق تحت تاثیر زمین لغزش مورد بررسی قرار گرفت. پس از تهیه نقشه های وزنی، این لایه ها در محیط نرم افزار ArcGIS به اطلاعات عددی تبدیل و پس از استاندارد کردن به نرم افزار MATLAB وارد شده و برنامه ای با ساختار پرسپترون با الگوریتم یادگیری پس انتشار خطا، نوشته شد. بعد از مشخص شدن ساختار شبکه عصبی مصنوعی و آموزش و آزمایش آن، نتایج مورد ارزیابی و خروجی شبکه در محیط سیستم های اطلاعات جغرافیایی، تبدیل به نقشه خطر زمین لغزش شد. نقشه خطر حاصله به پهنه های مختلف خطر، طبقه بندی و مقدار زمین لغزش در هر پهنه آن محاسبه گردید. نتایج حاصل از بررسی عوامل نشان داد که در حوضه میشخاص ایلام سازند آسماری، طبقه شیب 10تا20 درصد، طبقه فاصله از گسل بیشتر از 500 متر، جهت شمال شرق، فاصله از آبراهه های بیشتر از 100 متر، باغات میوه حساس ترین کاربری ها و فاصله ازجاده بیشتر از 200 متر، حساس ترین طبقات نسبت به وقوع زمین لغزش و دارای بیشترین نسبت فراوانی وقوع زمین لغزش در حوضه می باشند. از سوی دیگر، نتایج حاصل از پهنه بندی خطر زمین لغزش با استفاده از روش شبکه عصبی مصنوعی نشان داد در حوضه میشخاص ایلام حدود 80 درصد زمین لغزش ها در پهنه های خطر زیاد و خیلی زیاد قرار گرفته اند.

کلان شهر اراک و اراضی پیرآمون آن در سال های اخیر با تغییرات زیادی مواجه بوده است. هدف این تحقیق پایش تغییرات کاربری اراضی در گذشته و بررسی امکان پیش بینی آن در آینده با استفاده از مدل ساز تغییر زمین در کلان شهر اراک است. در این تحقیق تصاویر ماهواره ای لندست سال های 1976، 1996 و 2024 تجزیه و تحلیل شدند. تصاویر هر سه مقطع زمانی به 4 کلاس اراضی شهری، مرتع، کشاورزی و جنگلی طبقه بندی شدند. پیش بینی وضعیت کاربری اراضی برای راستی آزمایی در سال 2024 با استفاده از نقشه های 1976 و 1996 به کمک مدل ساز تغییر زمین و بر پایه شبکه های عصبی مصنوعی و تحلیل زنجیره مارکوف انجام گردید. به این منظور از متغیرهای مکانی فاصله از جاده، فاصله از شبکه آبراهه، فاصله از اراضی شهری، ارتفاع، شیب و فاصله از حاشیه اراضی تغییر یافته، به عنوان عوامل مؤثر بر تغییرات در شبکه عصبی مصنوعی استفاده شد. نتایج نشان می دهد در طول دوره 1976 تا 2024 معادل 38/50 درصد برابر 9343 هکتار از مراتع کاهش یافته است. طی این دوره حدود 72/147 درصد معادل 3194 هکتار و 53/83 درصد معادل 4547 هکتار به ترتیب اراضی کشاورزی و انسان ساخت شهری افزایش یافته است. همچنین نتایج پیش بینی مدل نشان داد که مساحت اراضی مرتعی، کشاورزی و جنگلی در سال 2040 در مقایسه با 2024 کاهش یافته و اراضی انسان ساخت شهری افزایش خواهند یافت. بنابراین در سا ل های آتی شهر اراک توسعه شدیدی به سمت شرق و شمال خواهد داشت.

هدف: تکامل دستگاه تلفن همراه، به طور قطع یکی از موفق ترین نوآوری های تاریخ محسوب می شود و انتشار گسترده و فراگیر بودن آن، از موفقیت این فناوری حکایت می کند. مدیران بازاریابی و کسب وکار، به طور فزاینده ای تلفن همراه را ابزاری جذاب می بینند؛ زیرا به کمک آن می توانند از طریق انواع مختلف ارتباطات بازاریابی با مشتریان تعامل داشته باشند. بازاریابی تلفن همراه، یک کانال ارتباطی و سرگرمی بین برند و مصرف کنندگان نهایی است که به عنوان جایگزینی برای رویکردهای بازاریابی کلاسیک و عنصر کلیدی بالقوه برای استراتژی های ارتباط بازاریابی یکپارچه آینده درک می شود. از سوی دیگر، پیشرفت سریع فناوری اطلاعات، به رشد انفجاری تولید داده منجر شده است. وجود پایگاه های عظیم از داده های مشتریان، امروزه مزیت فوق العاده برای کسب وکارها محسوب می شود؛ اما استفاده از روش های سنتی، توان پردازش این حجم از داده را ندارد. علم داده کاوی با فراهم کردن روش های خودکارسازی تحلیل و استخراج داده ها، راه حل مناسبی برای این مسئله است. هدف این پژوهش ارائه مدلی برای پیش بینی عوامل پذیرش بازاریابی تلفن همراه با استفاده از رویکرد ترکیبی مدل سازی معادلات ساختاری و شبکه عصبی مصنوعی است. رویکرد PLS-ANN یک روش تحلیلی جدید در سیستم های خبره و هوش مصنوعی است. این رویکرد، در مقایسه با رویکرد رگرسیون چندمتغیره موجود، چندین مزیت دارد که فقط می تواند مدل های خطی و جبرانی را آزمایش کند. روش: پرسش نامه ها به صورت آنلاین و به روش نمونه گیری در دسترس توزیع و ۲۱۹ نسخه جمع آوری شد. داده های توصیفی با استفاده از نرم افزار اس پی اس اس و فرضیه های پژوهش ابتدا با استفاده از مدل سازی معادلات ساختاری و روش حداقل مربعات جزئی (PLS-SEM) و در گام بعدی با استفاده از شبکه عصبی مصنوعی (ANN) و زبان برنامه نویسی پایتون بررسی شدند. یافته ها: نتایج این مطالعه بیان می کند که روابط پیشنهادی بین سازه ها، ضرایب معناداری را نشان می دهند؛ بنابراین مدل پژوهش به طور کلی قابل قبول است. براساس نتایج به دست آمده از مدل سازی معادلات ساختاری، تمام فرضیه های پژوهش، مبنی بر تأثیر مثبت متغیرهای نگرش، شخصی سازی ، نوآوری مصرف کننده، اعتبار و آگاهی بخشی بر پذیرش بازاریابی تلفن همراه تأیید شد و شبکه عصبی مصنوعی نیز توانست به خوبی و با دقت 96/0 مدل پژوهش را پیش بینی کند. نتیجه گیری: مزایای بازاریابی تلفن همراه، شامل در دسترس بودن در همه جا، سفارشی سازی بر اساس مشخصات مکانی زمانی و ویژگی های فردی کاربران است. بازاریابی تلفن همراه، نحوه تعامل بازاریابان با مشتریان خود را تغییر داده است. این روند فرصت های جدیدی را برای مشاغلی که در دسترسی به مصرف کنندگان به روش های سنتی مشکل دارند، شکل داده است. بنابراین، بررسی واکنش های مصرف کنندگان به ارتباطات بازاریابی با این فناوری های جدید، اجتناب ناپذیر است. نتایج پژوهش پیش رو، می تواند به مدیران بازاریابی کسب وکارها، به منظور تدوین استراتژی بازاریابی مناسب برای استفاده از ابزار تلفن همراه کمک کند.

هدف: امروزه اکثر شرکت ها و سازمان ها، تجارت الکترونیک را برای به دست آوردن بهره وری در خدمات و محصولات خود، در زمینه هایی مانند کارت اعتباری، مخابرات، بیمه درمانی، بیمه خودرو و غیره به کار گرفته اند. از طرفی، با توجه به حجم رو به رشد تراکنش های کارت های اعتباری و انواع روش های کلاه برداری و تقلب در این کارت ها، تقاضا برای کشف تقلب در این حوزه نیز افزایش یافته است. با توجه به انواع راه کارها و الگوریتم های ارائه شده برای کاهش هزینه تقلب در تراکنش های کارت های اعتباری، هدف از این پژوهش، ارائه روشی ترکیبی و بهینه، برای کاهش هزینه تشخیص تقلب در تراکنش های کارت های اعتباری، با استفاده از هم جوشی الگوریتم های ناهمگن طبقه بندی و خوشه بندی در سطح تصمیم گیری است. روش: این پژوهش روی داده های یک مجموعه تراکنش های بانک برزیلی در بازه زمانی دو ماهه، از ۱۴ جولای ۲۰۰۴ تا ۱۲ سپتامبر همان سال انجام شده است. در این مقاله با استفاده از شبکه عصبی مصنوعی، به عنوان یک رویکرد با سرپرستی و الگوریتم خوشه بندی K نزدیک ترین همسایه، به عنوان یک رویکرد بدون سرپرستی، تابع هزینه را به دست آوردیم. همچنین با توجه به شاخص های مختلف کشف تقلب که تاکنون در ادبیات معرفی شده، شاخص هزینه کشف تقلب انتخاب و بر اساس این تابع هزینه که نخستین بار توسط گادی و همکارانش (۲۰۰۸) معرفی شد، به سنجش این شاخص ها پرداختیم. از آنجا که استفاده از تنها یک الگوریتم هزینه زیادی دارد، به منظور کاهش آن، هم جوشی الگوریتم ها به دو روش نظریه گواه دمستر – شفر و هم جوشی احتمالی پیشنهاد شده است. هر دو روش هم جوشی در سطح تصمیم استفاده شده و ورودی های ناهمگن، از دو رویکرد با سرپرستی و بدون سرپرستی با هم ترکیب شده اند. یافته ها: با توجه به الگوریتم های اجرا شده، استفاده از تنها یک الگوریتم برای به دست آوردن تابع هزینه قابل قبول، می تواند بسیار پُرهزینه باشد. در حالی که استفاده از رویکرد هم جوشی، می تواند در کاهش هزینه تأثیر بسزایی داشته باشد. هم جوشی احتمالی، در مقایسه با نظریه گواه دمستر شفر کاهش هزینه چشمگیری داشته است که هر دو این الگوریتم ها، در سطح تصمیم به کار رفته اند. هم جوشی احتمالی نسبت به شبکه عصبی مصنوعی، کاهش هزینه ای معادل ۴/۲۱ درصد و نسبت به الگوریتم K نزدیک ترین همسایه، کاهش هزینه ای معادل ۸/۳۵ درصد داشته است. نتیجه این مطالعه، در نهایت با مقاله ای که اولین بار این مجموعه داده در آن با الگوریتم سیستم ایمنی مصنوعی به کار رفته است، مقایسه شده و کاهش هزینه چشمگیری را نشان داده است. نتیجه گیری: در این مطالعه با استفاده از دو الگوریتم طبقه بندی و خوشه بندی و هم جوشی آن ها در سطح تصمیم، نشان دادیم که روش های ترکیبی در مقایسه با استفاده هر یک از الگوریتم ها به تنهایی، کاهش هزینه بیشتری خواهند داشت. همچنین هم جوشی احتمالی در مقایسه با نظریه گواه دمستر شفر، هزینه کمتری برای کشف تقلب در سیستم های مالی دارد که این نتیجه درخور توجهی برای بانک ها و مؤسسه های مالی است تا یک سیستم کشف تقلب خوب بسازند.