شبکه عصبی

< p>هدف: هدف اصلی این پژوهش، شناسایی و تجزیه و تحلیل انواع داده های وب سایت شهرداری تهران و ارایه راه کارهای مناسب داده کاوی است. روش پژوهش: این پژوهش بنیادی است و از لحاظ ماهیت می توان آن را تحلیلی در نظر گرفت. روش گردآوری داده های به صورت میدانی بوده است و جامعه آماری 47 سایت که از 220 دامنه شهرداری تهران انتخاب شده است و برای تجزیه و تحلیل از تکنیک های داده کاوی استفاده شده است و منبع گردآوری داده ها وب سنجی و ابزار مورد استفاده گوگل آنالیتیکس می باشد. یافته ها: میزان دقت الگوریتم شبکه عصبی معمولی برابر با 25/99%  و در نهایت معیار آر.ام.اس.ای الگوریتم شبکه عصبی معمولی برابر با 159/0 است. میزان دقت الگوریتم درخت تصمیم برابر با 99.80% ؛  معیار ام.اس.ای الگوریتم درخت تصمیم برابر با 003/0 و در نهایت معیار آر.ام.اس.ای الگوریتم درخت تصمیم برابر با 045/0است. میزان دقت الگوریتم کی.ان.ان برابر با 81/99%  و در نهایت معیار آر.ام.اس.ای الگوریتم کی.ان.ان برابر با 035/0 است نتیجه گیری: بر اساس یافته های بدست آمده روش دی.بی.اسکن با سایر روش های پایه جهت تجزیه و تحلیل داده های وب سایت های شهرداری تهران برابر و نسبت به سایر روش ها از دقت بالاتری برخوردار است.

مقدمه: بروز دیابت در ده سال اخیر در سطح جهان دو برابر شده است . حدود 200 میلیون نفر به این بیماری مبتلا هستند و سالانه شیوع دیابت در جهان حدود شش درصد افزایش می یابد. بیش از دو میلیون نفر در ایران به این بیماری مبتلا هستند. در این تحقیق به بررسی ارتباط بین عوارض مشاهده شده در بیماران دیابتی نوع دو و برخی ویژگی های آن ها از قبیل میزان قند خون، فشار خون، سن و سابقه خانوادگی بیماران می پردازیم. هدف این مطالعه، پیش بینی عوارض بیماران بر اساس علائم مشاهده شده در آن ها است. روش کار: داده های مورد نیاز برای این تحقیق از پرونده های سال 1388 مرکز دیابت استان گلستان جمع آوری شده است. تعداد پرونده های اولیه بیماران 856 رکورد بود. در این مقاله مدل جدیدی بر اساس متدولوژی استاندارد CRISP ارائه شده است. در بخش مدل سازی از دو روش شناخته شده در داده کاوی به نام های درخت تصمیم C5.0 و شبکه عصبی استفاده شده است. برای تحلیل داده ها از نرم افزار Celementine 12.0 استفاده شده است. یافته ها: در این تحقیق برای اولین بار احتمال بروز عوارض میکروواسکولار، ماکروواسکولار و یا هر دو نوع عارضه در بیماران و ویژگی های تأثیرگذار بر آن ها مورد بررسی قرار گرفته است. با استفاده از داده کاوی و روش های آن تعیین شده است که متغیر های فشار خون بالا، سن و سابقه خانوادگی در عوارض مشاهده شده بیشترین تأثیر را داشته اند. به کمک درخت تصمیم ایجاد شده، قوانینی استخراج شده اند که می تواند به عنوان الگویی برای پیش بینی وضعیت بیماران و احتمال بروز عوارض در آن ها استفاده شود. صحت مدل ایجاد شده بر روی داده های مورد استفاده در درخت تصمیم C5.0، 89.74 درصد و در شبکه عصبی مصنوعی 51.28 درصد می باشد. نتیجه گیری: با توجه به روش های استفاده شده، بالاترین دقت با استفاده از الگوریتم C5.0 به دست آمده است. بیشترین عوامل تأثیرگذار بر بروز عوارض شناسایی شدند. با توجه به قوانین ایجاد شده برای یک نمونه جدید با ویژگی های مشخص، می توان پیش بینی کرد بیمار احتمالاً دچار چه نوع عارضه ای خواهد شد.

مقدمه : کتابخانه ها و مراکز اطلاع رسانی معمولاً با استفاده از ابزار لیب کوآل به بررسی کیفیت خدمات می پردازند. در تجزیه و تحلیل لیب کوآل می توان از شبکه عصبی مصنوعی استفاده نمودکه با درجه خطای پایین به بررسی سطح خدمات می پردازد. پژوهش حاضر در پی آن است که به معرفی شبکه عصبی مصنوعی بپردازد تا در پیش بینی کیفیت خدمات سایر کتابخانه های دانشگاهی مثمر ثمر واقع شود. روش کار: این پژوهش با استفاده از روش پیمایشی و از نوع کاربردی مقطعی می باشد . جامعه پژوهش شامل کلیه دانشجویان دانشگاه علوم پزشکی شیراز است. ابزار گرد آوری داده ها پرسشنامه لیب کوآل می باشد. به منظور تجزیه و تحلیل داده ها و ارائه شبکه عصبی مناسب از نرم افزار MATLAB استفاده شده است. همچنین جهت دستیابی به مناسب ترین شبکه عصبی مصنوعی که قادر به پیش بینی کیفیت خدمات با کمترین خطا و بیشترین میزان تطابق باشد الگوریتمی در نرم افزار MATLAB نوشته شد که به صورت خودکار با گرفتن داده های ورودی و داده های هدف به محاسبه چنین شبکه ای بپردازد. یافته ها: به ازای پنج دسته داده ورودی و اجرای الگوریتم نوشته شده، پنج شبکه عصبی مصنوعی ایجاد گردید که به ترتیب دارای ضریب تعیین 77059/0، 68280/0، 81089/0، 79161/0 و 83273/0 می باشد. نتیجه گیری: با مقایسه شبکه های عصبی مصنوعی مشخص گردید شبکه عصبی مصنوعی که دارای 20 لایه پنهان،80 درصد داده آموزشی، 667/16 درصد داده آزمایشی، 3333/3 درصد داده اعتبارسنجی باشد و به وسیله داده های پنج ورودی تغذیه شود، مناسب ترین شبکه در ارزیابی کیفیت خدمات کتابخانه های دانشگاهی می باشد.

مقدمه: امروزه فن آوری های کمک باروری به طور گسترده ای برای درمان ناباروری زوجین مورد استفاده قرار می گیرد. میزان تولد نارس در نوزادان مادرانی که از طریق فن آوری های کمک باروری باردار گردیده اند، بیش تر از بارداری های طبیعی می باشد. هدف این مطالعه پیش بینی تولد نوزادان نارس در مادران باردار شده از طریق فن آوری های کمک باروری می باشد. روش کار: در این مطالعه گذشته نگر، ابتدا 45 متغیر تاثیرگذار بر تولد نارس در مادران باردار شده از طریق فن آوری های کمک باروری شناسایی شدند و از پرونده بالینی این مادران در بیمارستان صارم از سال 1377 تا شهریور 1393، در پاییز 1393 استخراج شد. متغیرهای تاثیرگذار با استفاده از الگوریتم انتخاب ویژگی و درخت تصمیم در نرم افزار SPSS Clementine شناسایی شد. شبکه عصبی پرسپترون چند لایه در نرم افزار Matlab طراحی گردید. ارزیابی شبکه بر اساس ماتریس آشفتگی و معیارهای ویژگی، حساسیت و صحت انجام گردید. یافته ها: با استفاده از الگوریتم انتخاب ویژگی و درخت تصمیم، 15 متغیر تاثیرگذار به عنوان ورودی شبکه عصبی انتخاب گردید. شبکه پرسپترون چند لایه طراحی و ارزیابی شد. شبکه عصبی طراحی شده در داده های تست دارای صحت2/87 درصد، حساسیت 0/80 درصد، ویژگی 2/88 درصد و در کل داده ها دارای صحت 4/95 درصد، حساسیت 0/95 درصد و ویژگی 5/95 درصد بود. نتیجه گیری: با توجه به نتایج به دست آمده از این پژوهش، استفاده از شبکه پرسپترون چند لایه برای پیش بینی نتیجه زایمان از نظر تولد نوزاد ترم یا نوزاد نارس در مادران باردار شده از طریق فن آوری های کمک باروری می تواند در پیشگیری از عوارض تولد نوزاد نارس کمک کننده باشد.

مقدمه: الگوریتم های فرا ابتکاری و ترکیبی از توانمندی بالایی در مدل سازی مسائل پزشکی برخوردارند. در این مطالعه از شبکه عصبی به منظور پیش بینی ابتلا به دیابت در میان افراد مستعد دیابت استفاده گردید. روش کار: پژوهش حاضر از نوع کاربردی و جامعه ی هدف آن متشکل از 545 فرد بیمار و سالم از مرکز دیابت دانشگاه علوم پزشکی همدان جمع آوری گردید جهت پیش بینی بیماری دیابت استفاده شده است. در این مطالعه از الگوریتم ممتیک که تلفیقی است از الگوریتم ژنتیک و الگوریتم جستجوی محلی است، به منظور به روز رسانی وزن های شبکه عصبی و توسعه دقت شبکه عصبی استفاده شده است. یافته ها: بررسی اولیه نشان داد که دقت شبکه عصبی، 88درصد، می باشد. بعد از بروز رسانی وزن ها با الگوریتم ممتیک دقت آن به 2/93درصد افزایش یافت. برای مدل پیشنهادی به ترتیب حساسیت، ویژگی، ارزش اخباری مثبت، ارزش اخباری منفی، مساحت زیر منحنی 2/96، 4/92، 8/93، 3/95، 958/0 برای مدل الگوریتم ژنتیک، 98، 8/84، 6/88، 2/98، 952/0 و برای مدل رگرسیون لجستیک، 6/95، 5/84، 7/94، 0/87، 916/0 به دست آمد. نتیجه گیری: بر اساس یافته های این پژوهش، مدل های شبکه های عصبی در مقایسه با مدل رگرسیون از میزان خطای کمتری در تشخیص بیماری بر اساس متغیرهای فردی و سبک زندگی برخوردارند. یافته های این مطالعه می تواند به برنامه ریزان و ارائه کنندگان خدمات سلامت در برنامه های غربالگری و تشخیص به موقع بیماری دیابت کمک می نماید.

مقدمه: تحلیل مقدار فروش داروهای مصرفی کشور نقش مهمی در تأمین تقاضای داروی کشور در گروه های درمانی مختلف دارد. دراین بین مهم ترین چالش فرارو، روش های متداول و تجربی پیش بینی صنعت دارو است. هدف پژوهش حاضر بررسی کارایی دو روش پیشنهادی شبکه عصبی مصنوعی و برازش منحنی در مقایسه با روش متداول نرخ رشد مرکب است. روش ها: پس از تجمیع داده های 17 سال فروش محصولات دارویی (از سال 1379 تا 1395) و اعمال اصلاحات لازم ازهر سه روش یادشده جهت پیش بینی استفاده شد. سپس با شاخص متداول جذر میانگین مربعات خطاهای پیش بینی، کارایی سه روش مقایسه شده است. یافته ها: پس از بررسی حدود 2200 محصول ژنریک دارویی و شناسایی 17 گروه درمانی اصلی با استفاده از سه روش یادشده، فروش ریالی ۱۷ گروه درمانی برای سال های ۱۳۹۷ و ۱۳۹۸ پیش بینی شد و درصد خطای فروش سالیانه محاسبه شده برای دو روش شبکه عصبی مصنوعی و برازش منحنی در سال های 1379 تا 1395 به ترتیب برای ۱۱ سال (از 13 سال محاسبه شده با روش شبکه عصبی) و ۱۵ سال (از 17 سل محاسبه شده با روش برازش منحنی) کمتر از هفت درصد، گزارش شد. نتیجه گیری: نتایج پژوهش نشان داد که به کارگیری روش شبکه عصبی و برازش منحنی در پیش بینی میزان فروش ریالی دارو همواره عملکرد بهتری از روش مرسوم دارد و در مواقعی که سوابق داده های تجربی گذشته برای فروش دارو کم است، روش برازش منحنی کارایی بهتری دارد اما با داده های ورودی بیشتر، روش شبکه عصبی کارایی بهتری نسبت به دو روش دیگر خواهد داشت.

مقدمه : استفاده بیش ازحد و نادرست از منابع طبیعی موجود، نیازمند افزایش ارزیابی اجزا منابع و بررسی تغییراتی است که درگذشته اتفاق افتاده است. بنابراین آشکارسازی، پیش بینی تغییرات لازمه مراقبت از یک اکوسیستم به ویژه در مناطقی با تغییرات سریع و اغلب بدون برنامه ریزی در کشور های درحال توسعه می باشد. داده و روش : روش پژوهش حاضر از نظر هدف کاربردی و از حیث روش، توصیفی- تحلیلی است. و با استفاده از تکنیک های بصری و ترسیمی از تصاویر سنجنده های TM لندست 5 در سال های 1998،1992،1986، ETM+ لندست 7 در سال های 2010،2004 و سنجنده OLI لندست 8 در سال2016 بهره گرفته است. به علاوه از نقشه های رقومی منطقه برای بررسی تصحیح هندسی تصاویر و همچنین به عنوان داده های کمکی در تفسیر تصاویر و پیش بینی تغییرات، استفاده گردید. پس از تأیید کیفیت هندسی و رادیومتری تصاویر با توجه به ویژگی های منطقه، کاربری های موجود، با روش تفسیر تلفیقی تصاویر هر شش مقطع زمانی به چهار کلاس مناطق شهری، باغات پسته، اراضی بایر و نمکزار با الگوریتم حداکثر احتمال طبقه بندی  شد و پس از اعتبار سنجی میانگین دقت کاپا 83 درصد و میانگین دقت کلی 89 درصد برای شش نقشه کاربری اراضی تولیدشده بدست آمد. یافته ها : نقشه های کاربری اراضی تولید شده از کلاس بندی و پیش بینی شده از مدل ها در سال های 2016،2010،2004،1998 مقایسه و صحت آن با استفاده از شاخص کاپا ارزیابی شد. نتایج نشان داد میانگین دقت کاپا برای مدل شبکه عصبی76 درصد بود. نتیجه گیری : نشان دهنده هماهنگی بین مقدار و مکان تغییرات واقعی و پیش بینی شده و درنتیجه عملکرد نسبتاً خوب برنامه LCM در پیش بینی تغییرات کاربری اراضی است.

مقدمه و هدف : با معرفی گواهی سپرده کالایی در بورس کالای ایران، این پژوهش با عنایت به فقدان مطالعه در حوزه گواهی سپرده زعفران، سعی در شناخت عوامل موثر بر آن و از جمله تأثیر قیمت آتی زعفران با استفاده از بررسی وجود رابطه علیت خطی و غیر خطی در راستای شناخت مکانیسم کشف قیمت در بازار زعفران می کند. مواد و روش ها: داده های روزانه در بازه زمانی خرداد ماه 1397 تا پایان تیرماه 1398 اخذ شده و از نوسانات قیمتی گواهی سپرده کالایی و قیمت آتی ها استفاده شده است. روش پژوهش توصیفی- تحلیلی و روش گردآوری داده ها کتابخانه ای با استفاده از روشهای اقتصاد سنجی، مدل های رگرسیونی و مفهوم شبکه های عصبی به کمک نرم افزارهای  EviewsوR صورت گرفته است. یافته ها: نتایج نشان می دهد که رابطه علیت خطی بین نوسانات قیمت گواهی سپرده و قیمت آتی وجود دارد و این رابطه دوطرفه است. برای بررسی وجود علیت غیرخطی با استفاده از پسماند بدست آمده مدل VAR بین دو متغیر مورد بررسی و استفاده از آزمون BDS وجود یک رابطه غیر خطی بین متغیرها اثبات شد. بحث و نتیجه گیری: با توجه به جهت علیت قیمت ها از آتی ها به بازار نقد، نتایج این پژوهش نشان می دهد که بازار آتی نقشی تعیین کننده در قیمت بازار نقد دارد و بنابراین، کشف قیمت در بازار آتی ها شکل می گیرد و بازار گواهی سپرده از بازار آتی تبعیت می کند.

قیمت نفت خام از عوامل موثر بر شاخص های اقتصادی می باشد. از این رو پیش بینی قیمت نفت همواره مورد بحث اقتصاددانان بوده است. در این پژوهش به منظور پیش بینی قیمت نفت، بر اساس نظریه رقابتی مک اوی، تاثیر کلیه متغیرهای موثر بر عرضه و تقاضای نفت خام بررسی و با استفاده از سیستم معادلات همزمان و روش های آماری مرسوم، معادلات عرضه و تقاضا برآورد گردید. سپس با فرض برابری عرضه و تقاضای نفت در بلندمدت، کشش های بلندمدت عرضه و تقاضای نفت نسبت به هریک از متغیرهای موجود در مدل استخراج گردید. محاسبات نشان داد بیشترین تاثیر بر قیمت نفت را تولید ناخالص داخلی جهان با کشش تقاضای 6039/0 و کمترین تاثیر را تنش های نظامی و امنیتی جهان با کشش تقاضای 0110/0- دارند. پس از برآورد الگو به مقایسه دقت پیش بینی سه روش تلفیقی شامل شبکه عصبی و سیستم معادلات همزمان، آریما و سیستم معادلات همزمان، شبکه عصبی و آریما و سیستم معادلات همزمان با روش های مرسوم و تک متغیره شبکه عصبی و آریما پرداخته شد. نتایج بیانگر آن بود که روش تلفیقی آریما و سیستم معادلات همزمان در پیش بینی 5 ساله و روش تلفیقی شبکه عصبی و آریما و سیستم معادلات همزمان در پیش بینی 10 ساله از قدرت پیش بینی کنندگی بهتری نسبت به روش های مرسوم و تک متغیره شبکه عصبی و آریما برخوردار می باشند.

در پژوهش حاضر به کمک شبکه های عصبی، پیش بینی بازه ای مقدار مربوط به کمترین و بیشترین قیمت روزانه صورت می گیرد و سپس بر اساس آن یک سیستم معاملاتی نوسان گیری روزانه شامل خرید و فروش در مقادیر پیش بینی شده شکل می گیرد. برای کاستن از ریسک سیستم معاملاتی و افزایش تعداد موقعیت های معاملاتی، سبد بهینه نوسان گیری روزانه در چهارچوب میانگین-واریانس توسعه می یابد. سبد نمونه ای پژوهش شامل پنج سهم از بورس اوراق بهادار تهران در یک دوره 190 روزه با احتساب هزینه های معاملاتی خرید و فروش نشان می دهد که میانگین بازده روزانه سبد نوسان گیری پژوهش 0028/0 و نسبت شارپ آن 6379/0 می باشد که از نسبت شارپ سیستم نوسان گیری روزانه انفرادی دارایی های سبد، بهتر است. میانگین روزانه سبد هم وزن در دوره پژوهش 0014/0 و نسبت شارپ آن 0749/0 می باشد که نشان می دهد که سیستم معاملاتی عملکردی به مراتب بهتر از سیستم خرید و نگهداری در سبد هم وزن روزانه دارد.

یکی از چالش هایی که صنعت فولاد با آن روبه رو می باشد، اداره و مدیریت زنجیره تأمین می باشد. بر این اساس در تحقیق حاضر بر اساس سناریوهای 3 گانه عدم همکاری و حرکت هم زمان (کورنو)، عدم همکاری و حرکت ترتیبی (استکلبرگ) و رفتار همکاری (تبانی)، در زنجیره تأمین فولاد پرداخته خواهد شد. روش تحقیق ازنظر هدف کاربردی می باشد. بازه زمانی تحقیق داده های فصلی 2011 تا 2020 و نرم افزار مورداستفاده نرم افزار متلب می باشد. در این مقاله یک مدل ترکیبی بر اساس شبکه های عصبی مصنوعی و تئوری بازی ها ارائه شده است تا بتواند در تعیین سطح قیمت و تولید بهینه به فعالان صنعت فولاد کمک کند. جهت پیش بینی قیمت فولاد از سه شبکه عصبی بیزین، بردارهای پشتیبان و پاد انتشارگراسبرگ بهره گرفته شد. نتایج بیانگر این واقعیت است که مدل پاد انتشار گراسبرگ دقت بالاتری در پیش بینی قیمت فولاد دارد. نتایج بیانگر این واقعیت است که با حرکت از سمت بازی کورنو به سمت بازی استکلبرگ و از بازی استکلبرگ به سمت بازی تبانی در زنجیره تأمین موجب افزایش قیمت در صنعت فولاد به ازای هر تن 6 دلار و میزان عرضه محصول در دامنه 1500 تا 4000 تن خواهد بود، به عبارتی با افزایش سطح تبانی در بازار فولاد میزان محصول بیش تری در بازار عرضه شده و هم زمان سطح قیمت محصول نیز افزایش خواهد یافت که این امر موجب کاهش رفاه مصرف کننده فولاد در بازار خواهد شد.

هدف: این پژوهش دستکاری قیمت سهام را در بورس اوراق بهادار تهران بررسی می کند و به شناخت و کشف دستکاری قیمت سهام با استفاده از الگوریتم ریاضی spoof trading می پردازد. این پژوهش بر دستکاری معامله محوری تمرکز کرده است که در آن، دستکاری کنندگان سفارش های خریدوفروش را برای کنترل قیمت سهام وارد سامانه می کنند. روش: در این پژوهش با استفاده از مجموعه ای از داده های دست چین شده مربوط به معاملات لحظه ای، 50 شرکت دستکاری شده انتخاب و مشخصات و الگوهای سهم های دستکاری شده در این شرکت ها، در بازه زمانی 1392 تا 1395 بررسی شده است. در ادامه، از پنل دیتا و آزمون های اف لیمر، هاسمن، هم انباشتگی، ناهمسانی واریانس و تورم واریانس و سپس، آزمون های اقتصادسنجی مربوط به دستکاری قیمت، از جمله آزمون های مانایی، خود هم بستگی، کشیدگی، چولگی، تسلسل و وابستگی دیرش استفاده شده است. در انتها نیز برای سنجش کارایی الگوریتم مدنظر، از شبکه عصبی بهره گرفته شده و نتایج در قالب ماتریس تشخیص الگو ارائه شده است. یافته ها: یافته ها حاکی از آن است که نتایج حاصل از آزمون های اقتصادسنجی با نتایج به دست آمده از الگوریتم طراحی شده هم خوانی دارد. همچنین فرضیه های ارائه شده در این پژوهش تأیید شدند. نتیجه گیری: نتایج بررسی الگوریتم طراحی شده نشان داد که کارایی الگوریتم استفاده شده در جهت شناسایی معاملات مشکوک 4/90 درصد بوده است که این سطح از کارایی، برای پذیرش یک الگوریتم بسیار عالی است. همچنین با تأیید فرضیه های این پژوهش، این نتیجه حاصل شد که قیمت های ارائه شده در بخش سفارش های خریدوفروش و همچنین، میزان حجم ارائه شده در بخش سفارش های خریدوفروش در ردیف های اول و دوم تابلوی معاملات در شناسایی دستکاری قیمت مؤثر است.

امروزه، ارزیابی ترجمه ماشینی بدون داشتن ترجمه مرجع، به عنوان یکی از حوزه های پژوهشی ترجمه ماشینی از اهمیت بالایی برخوردار است. یکی از چالش های موجود در این زمینه، مخصوصاً برای زبان های کم منبع، عدم وجود داده های آموزشی مناسب است. برای این منظور میتوان از روش های مبتنی بر شبکه عصبی که قبلاً روی مدلهای زبانی چند زبانه آموزش دیده شده استفاده کرده و با استفاده از یادگیری انتقالی کیفیت ترجمه برای یک جفت زبان جدید را تخمین زد. در این مقاله کیفیت یک مجموعه تست انگلیسی - فارسی به این صورت تخمین زده شده است. همچنین مجموعه ای از داده ها ی آموزشی برای جفت زبان انگلیسی - فارسی تهیه شده و روی آن پیش پردازش های مناسب انجام گرفته مدل چند زبانه موجود با آن دادگان تنظیم دقیق شده است. استفاده از این داده ها ی آموزشی، همبستگی پیرسون با مجموعه تست را به میزان 29 درصد بهبود داده است.

هدف: این پژوهش به منظور ارائه مدل اجرای خط مشی های فناوری اطلاعات در برنامه ششم توسعه به کمک روش مدلسازی شبکه عصبی انجام شده است. طرح پژوهش/ روش شناسی/ رویکرد: تحقیق بر مبنای هدف، کاربردی و روش تحقیق، پیمایشی است. گردآوری داده ها، با ابزار پرسشنامه صورت گرفته است. جامعه آماری در بخش شناسایی عوامل، مدیران شرکت مخابرات ایران می باشند که 15 نفر به عنوان پنل خبرگان انتخاب شدند. جامعه آماری در بخش آزمون،کارشناسان فناوری اطلاعات برابر 810 نفر بودند که 260 نفر نمونه انتخاب شدند. برای تحلیل داده ها از نرم افزار MATLABR2019b استفاده شد. یافته ها: بر اساس یافته ها عوامل مؤثر بر اجرا در دو بعد اصلی ساختار و کارکرد و ده بعد فرعی (محیط، خط مشی، اندازه سازمان، فرهنگ، تکنولوژی، توسعه منابع انسانی، توسعه زیرساخت، توسعه برنامه ها، توسعه بخش خصوصی و تامین محتوا) قابل بررسی می باشند. طبق یافته های شبکه عصبی بهترین ساختار اجرا، دارای 1 لایه ورودی با 5 متغیر ورودی و 1 لایه پنهان با 10 نرون و 1 لایه خروجی با 1 متغیر خروجی می باشد. ارزش/ اصالت پژوهش: از نظر مفهوم شناسی، برای اولین بار با رویکردی ترکیبی، عوامل موثر بر اجرای خط مشی های فناوری اطلاعات شامل ساختار و کارکرد (هر دو متغیر) تبیین شده و از نظر روش شناسی، مدلسازی با استفاده از روش شبکه عصبی در این زمینه، از دیگر جنبه های نو در این پژوهش است. از نظر ارزش کاربردی، در این پژوهش روشن می شود که بهترین ترکیب توسعه زمانی است که تمام متغیرهای ورودی هم زمان در نظر گرفته شوند و ضعیف ترین حالت نیز زمانی است که توسعه زیرساخت نادیده گرفته شود.

هدف: مدیریت زنجیره تأمین نوعی مدیریت سازمانی مدرن است که جریان اطلاعات، جریان سرمایه و مشارکت های تجاری را در زنجیره تأمین سازمان دهی و برنامه ریزی می کند و به اطلاعات کامل تجاری و بازار نیاز دارد (کویین و همکاران، 2012)؛ با این حال، هزینه به دست آوردن شرکت های زنجیره تأمین و اطلاعات محصول با روش های سنتی، بسیار سنگین است. فناوری اطلاعات نیرویی را برای شرکت ها فراهم می کند تا مدیریت زنجیره تأمین را پیاده سازی کنند و زنجیره تأمین را به راحتی به اشتراک بگذارند. همه شرکت ها در زنجیره تأمین، می توانند از طریق مدیریت اطلاعات ارزش ایجاد کنند (حسین نیاشاواکی و همکاران، 2023). استفاده از رویکردهای هوشمند برای پیش بینی قیمت و میزان تقاضا، عملکرد تحویل تأمین کننده، دقت پیش بینی تقاضا، افزایش دقت برنامه ریزی کارخانه و پیش بینی تقاضا برای محصولات جدید را بهبود می دهد و باعث می شود که ریسک تأمین کننده، هزینه حمل ونقل، هزینه های موجودی و عملیات و زمان پاسخ گویی کاهش یابد (تیرکلایی و همکاران، 2021). در مدیریت زنجیره تأمین، پیش بینی دقیق تقاضا که از قیمت تبعیت می کند، موضوعی حیاتی است که می تواند هزینه موجودی را کاهش دهد و سطح خدمات مطلوب را به دست آورد (زوقاق و همکاران، 2020). رویکردهای هوشمند قیمت گذاری در زنجیره تأمین، به شرکت های زنجیره تأمین کمک می کند تا با توجه به دانش به دست آمده، کیفیت نحوه ارائه محصول خود را در مدیریت زنجیره تأمین تطبیق دهند (کوتسیوپولوس و همکاران، 2021). در صنعت فولاد و مدیریت زنجیره تأمین، شناسایی و مدل سازی نوسان های بازار فولاد بسیار مهم است. با توجه به زنجیره عمودی در این صنعت و تعامل مابین بازیکنان این صنعت، از نظریه بازی برای مدل سازی قیمت بهینه بهره برده شده است. از طرفی با توجه به اینکه برای رسیدن به تعادل، به تعامل بازیکنان و تکرار بازی نیاز است، از مدل های شبکه عصبی برای تکرار بازی استفاده شده است. در ادامه با توجه به شرایط خاص کشور در خصوص تحریم های شدید در صنعت فلزات، متغیر تحریم به عنوان عامل تعدیل در مدل سازی قیمت این صنعت در نظر گرفته شده است. روش: پژوهش حاضر از نظر هدف کاربردی است. بازه زمانی پژوهش برای پیش بینی قیمت فولاد و محاسبه شاخص تحریم، داده های فصلی سال های 2011 تا 2020 بوده است. نرم افزار استفاده شده در این پژوهش، نرم افزار متلب است. یافته ها: برای پیش بینی قیمت فولاد، از سه شبکه عصبی بیزین، بردارهای پشتیبان و پاد انتشار گراسبرگ بهره گرفته شد. نتایج بیانگر این واقعیت است که مدل پاد انتشار گراسبرگ، در پیش بینی قیمت فولاد دقت بیشتری دارد. در ادامه، قیمت پیش بینی شده وارد فرایند نظریه بازی ها شد و نقطه تعادل نش مدل تعیین شد. با توجه به شرایط خاص کشور، متغیر تحریم در مدل نظریه بازی ها وارد شد. نتایج نشان داد که حضور تحریم ها در مدل، باعث افزایش قیمت ها و کاهش تولید در صنعت فولاد شده است. با توجه به اینکه در پژوهش حاضر، تغییرات قیمت ناشی از تغییرات عرضه و تقاضا، در حضور تحریم ها بررسی شد، به علت کاهش عرضه و افزایش سطح تحریم، سطح قیمت ها با رشد فزاینده ای نسبت به تغییرات عرضه مواجه شد؛ در نتیجه می توان گفت که فولاد یک نهاده کم کشش است. این امر موجب می شود که هر گونه اخلال در زنجیره تأمین فولاد، افزایش شدید قیمت این کالا و تلاطم در بازار آن را در پی داشته باشد. در نتیجه، این امر حساسیت مدیریت زنجیره تأمین در محصول فولاد را دوچندان می کند. بر این اساس، لازم است که از دیدگاهی سیستمی و پویا در سیاست های تنظیم بازار، سیاست های تأمین مواد اولیه و حمل ونقل، انبارداری و... بهره گیری شود. باید توجه شود که استفاده از رویکردهای هوشمند و یادگیری ماشینی، در راستای هماهنگ سازی این امور نقش بسزایی را ایفا می کند. نتیجه گیری: با توجه به اینکه در پژوهش حاضر از رویکرد استکلبرگ استفاده شده است، نتایج به ترتیب ورود بازیکنان به بازی، بر تعادل نش حساس است. تدوین قوانین و مقررات نظارت ورود به بازار در این صنعت باید بررسی شود؛ زیرا صنعت فولاد جزء صنایعی است که هزینه های ورود و خروج سنگینی دارد. با توجه به نتایج پژوهش، بایستی نظارت بر ورود و خروج بازیکنان در این صنعت، در کانون توجه سیاست گذاران و مدیران این صنعت قرار گیرد و تلاش شود که قواعد بازی و استانداردهایی برای فعالان این بازار تدوین شود.

بیش از 70 درصد از جمعیت ایران در سنین کار و فعالیت بوده و این کشور در حال حاضر در پنجره جمعیتی قرار دارد. با توجه به قرار گرفتن کشور ایران در دوره پنجره جمعیتی، افزایش میزان مشارکت نیروی کار می تواند بستری مناسب برای رشد و توسعه اقتصادی فراهم سازد. پیش بینی میزان مشارکت نیروی کار به واسطه تأثیر آن بر رشد اقتصادی در کشور می تواند نگرش عمیق تر و جامع تری نسبت به مقوله عرضه نیروی کار به منظور سیاست گذاری و برنامه ریزی فراهم نماید. یقیناً دانش از بازخورد یک تصمیم در آینده و ارائه برنامه ای جامع و هدفمند رشد و توسعه اقتصادی مطلوب را به همراه خواهد داشت. مقاله حاضر، با تکیه بر شبیه سازی مبتنی بر شبکه های عصبی به دنبال پیش بینی میزان مشارکت در نیروی کار زنان، مردان و کل جمعیت مربوط به سالهای 1397 تا سال 1407 در یک بازه 10 ساله متوالی می باشد. شبیه سازیها در نرم افزار متلب و بر پایه داده های سازمان بین المللی کار انجام شده است. این داده ها مربوط به 27 سال متوالی از سال 1369 تا 1396 می باشد. نتایج روند نزولی در میزان مشارکت نیروی کار مردان، زنان و کل جمعیت تا سال 1407 را نشان می دهند. بر مبنای نتایج شبیه سازی میزان مشارکت نیروی کار مردان، زنان و جمعیت کل 15 تا 64 ساله از سال 1397 تا سال 1407 به ترتیب از حدود 5/74 به 5/73 درصد، از 16/0 به 14/0 درصد و از 5/46 به 5/44 درصد تغییر خواهند نمود. نتایج مقاله حاضر زنگ هشداری است برای برنامه ریزان و سیاست گذارن در سطح کلان جهت توجه ویژه به برنامه ریزی های هدفمند در حوزه اشتغال و سرمایه گذاری تا بتوانند بهترین بهره برداری را از فرصت قرار گرفتن در پنجره جمعیتی برای کشور تأمین نمایند.

هدف: تراکم پرونده های قضایی در محاکم عمومی و تخصصی یکی از ابر چالش های موجود در نظام قضایی کشور محسوب می گردد که موجب عدم تحقق دادرسی عادلانه می شود. دراین پژوهش نقش کمیته های اجرائی کانون کارگزاران بورس و اوراق بهادار در اعلام رضایت و سازش در کمیته سازش و کاهش پرونده های ارجاعی به هیات داوران بررسی شده است. روش شناسی: داده های این پژوهش از آرشیو بولتن ماهانه کانون کارگزاران بورس از تاریخ 1/1/1395 الی 31/4/1402 گردآوری شده است. کلیه عوامل و راه کارهای افزایش یا کاهش پرونده های حقوقی، با استفاده از تجمیع نظرات خبرگان به روش میانگین هندسی موزون و ماتریس گسترش عملکرد کیفیت رتبه بندی و کمیته استیناف و کمیته گواهینامه های حرفه ای بازارسرمایه با درجه اهمیت پائین از مدل پژوهش حذف گردید. عوامل و راهکارهای با درجه اهمیت بالا شامل مجموع تعداد پرونده های اعلام رضایت و سازش به عنوان متغیرخروجی و عملکرد کمیته های سازش، راهبری آموزش بازارسرمایه، حقوقی، قانون بازارسرمایه، شرح شغل، واحد اموراعضاء و کارگروه های نظارت ،کنترل داخلی و راهبری فناوری اطلاعات به عنوان متغیرهای ورودی در شبکه فراخوانی و مدل ریاضی پژوهش توسط روش ترکیبی شبکه عصبی و الگوریتم رقابت استعماری موردآزمون قرارگرفت.یافته ها: فرآیندآموزش شبکه پس از همگرایی تابع برازش متوقف شد، خطای آزمون 03-e4/12 و دقت مدل 76/98 درصد برآورد گردید. هر یک از تعاملات بین ارکان کانون منتهی به پیشگیری و یا حل و فصل تخلفات انضباطی بین کارگزاران وسرمایه گذاران و کاهش پرونده های ارجاعی به هیات داوری شده است.

مدیریت فرآیند جذب و تبدیل وضعیت اعضای هیأت علمی دانشگاههاو موسسات آموزش عالی از مقولات مهمی است که اتخاذ هر نوع راهبردی را به ناچار خطیر جلوه می سازد. این مقاله تأکید بر این نکته دارد که جذب اساتید متخصص و متعهدبر عملکرد دانشگاه تأثیر بسزایی دارد. هدف تحقیق تحلیل عملکرد اعضای هیأت علمی مبتنی بر ورودی های فرآیند جذب و تبدیل وضعیت با رویکرد داده کاوی فازی می باشد.از جمله روش های تحلیل عملکرد، جمع آوری داده ها و تحلیل آن با داده کاوی است. روش پژوهش به کارگیری داده کاوی فازی عصبی برای تحلیل عملکرد اعضای هیأت علمی بوده است. این پژوهش به طراحی سیستمی فازی عصبی برای تحلیل شخصیتی و عملکرداعضای هیأت علمی جذب و تبدیل وضعیت شده پرداخته است. برای این منظور 16داده شخصیتی و 2 داده عملکردی 1000 عضو هیأت علمی جذب و تبدیل وضعیت شده ابتدا جمع آوری و پاکسازی ،کوچک سازی و در نهایت طراحی مدل شبکه عصبی فازی با روشهای یادگیری ماشین، الگوریتم ژنتیک و الگوریتم Ril انجام شد. ابزار پیاده سازی نرم افزار متلب می باشد. یافته تحقیق طراحی مدلی باشبکه عصبی فازی و الگوریتم Ril با روایی ضریب همبستگی بالا و MSE پایین در ارزیابی صلاحیت علمی و عمومی اعضای هیأت علمی بوده است. از نتایج تحقیق پیش بینی می شود اعضای هیأت علمی دارای خصوصیات شخصیتی باثبات، تأثیرگذار، راستگودر صلاحیت عمومی وبرونگرا، باثبات، تأثیرگذار، راستگو در صلاحیت علمی برای جذب و تبدیل وضعیت مناسب هستند.

هدف پژوهش حاضر، توسعه مدلی برای پیش بینی شرایط اخراج آموزشی دانشجویان مقطع کارشناسی رشته های مهندسی بوده که به روش داده کاوی و با استفاده از الگوریتم شبکه عصبی به اجرا درآمده است. جامعه آماری، دربرگیرنده کلیه پذیرفته شدگان سال های 1387 لغایت 1390 در سه مورد از دانشگاه های فنی و مهندسی کشور بوده است. داده های پژوهش با بهره برداری مستقیم از سیستم های آموزش هر سه دانشگاه در مدل سازی وارد شدند. نتایج حاکی از آن است که با   بهره گیری از داده های موجود در سیستم های حوزه آموزش دانشگاه ها و به خدمت گرفتن شبکه عصبی می توان با صحت بیش از 95 درصد نسبت به پیش بینی وضعیت تحصیلی یکایک دانشجویان اقدام نمود. کارآئی مدل های حاصله در دانشگاههای مورد مطالعه، به ترتیب برابر 0.72، 0.556و 0.565 حاصل گردیدند. معدل کل، تعداد واحدهای گذرانده، تعداد نیمسال های مبادرت به   فعالیت های فوق برنامه و تعداد نیمسال های مشروطی قبلی به عنوان به عنوان موثرترین متغیرهای پیش بین، توسط شبکه عصبی تشخیص داده شدند.  

قسمت اعظم مساحت کشور از لحاظ جغرافیایی در کمربند خشک و نیمه خشک با بارندگی کم قرار گرفته است. در نواحی فلات مرکزی و جنوبی اجتماعات شهری و روستایی با اتکاء به منابع آب زیر زمینی شکل گرفته و این منابع عمده ترین تامین کننده نیازهای آبی در این مناطق محسوب می شود. رشد روز افزون جمعیت و محدودیت منابع آبی لزوم پیش بینی دقیق مقدار این منابع را به دلیل اهمیت در برنامه ریزی و مدیریت بهینه می طلبد. پیش بینی سطح ایستابی با استفاده از ابزارها و روش های نوین مدلسازی می تواند کمک شایانی به برنامه ریزی و تصمیم گیری بهینه جهت تامین دراز مدت آب نماید. هدف از این تحقیق تخمین سطح ایستابی آبخوان سرخون استان هرمزگان با استفاده از شبکه عصبی و بهره مندی از قانون Gradient Descent می باشد. این روش با استفاده از ارتباط ذاتی داده ها، روابط غیر خطی بین آن ها را یاد گرفته و نتایج را برای بقیه حالت ها تعمیم می دهد به منظور آموزش مدل از اطلاعات 10چاه مشاهده ای که دارای آمار 24ساله بودند استفاده گردید70درصد داده ها به عنوان داده های آموزشی به مدل معرفی و20درصد داده ها به عنوان تست برای اعتبار سنجی به کار برده شد. نتایج این روش, تراز سطح ایستابی آبخوان سرخون برای سال1400را بین22تا72متر در مناطق مختلف پیش بینی می کند. ارزیابی این مدل با خطای RMSE بین 0.00125- تا0.0509و همچنین خطای MEA بین 0.0012- تا 0.049 کارایی مدل شبکه عصبی Gradient Descent را در پیش بینی سطح ایستابی منابع زیر زمینی نشان می دهد.