مطالب مرتبط با کلیدواژه

شبکه عصبی MLP


۱.

مدل سازی پیش بینی EPS با استفاده از شبکه های عصبی - فازی(مقاله علمی وزارت علوم)

کلیدواژه‌ها: سود هر سهم شبکه های عصبی- فازی شبکه عصبی MLP شبکه GMDH

حوزه‌های تخصصی:
تعداد بازدید : ۲۶۰ تعداد دانلود : ۱۷۲
پیش بینی سود هر سهم و تغییرات آن به عنوان یک رویداد اقتصادی از دیرباز موردعلاقه سرمایه گذاران، مدیران، تحلیل گران مالی و اعتباردهندگان بوده است. این توجه ناشی از استفاده سود در مدل های ارزیابی سهام، کمک به کارکرد کارای بازار سرمایه، ارزیابی توان پرداخت و ارزیابی عملکرد واحد اقتصادی می باشد. هدف این تحقیق پیش بینی سود هر سهم با استفاده از شبکه عصبی – فازی و شبکه عصبی درک چندلایه(MLP) و GMDH و تعیین مدل برتر با استفاده از چهار معیار مربع میانگین خطای استاندارد(MSE) ، میانگین قدر مطلق خطا (MAE)، مربع مجذور میانگین خطا (RMSE) و (R2) ضریب تعیین می باشد. بدین منظور، شرکت های پذیرفته شده در بورس و اوراق بهادار تهران به عنوان جامعه آماری و نمونه انتخابی شامل،500 سال/شرکت در قالب 24 صنعت فعال بورس در دوره زمانی 1390- 1386 می باشد که به صورت تصادفی و روش نمونه گیری خوشه ای انتخاب شده اند. نتایج تحقیق بیانگر برتری شبکه عصبی – فازی در تمامی چهار معیار ارزیابی نسبت به شبکه عصبی MLP و GMDH می باشد که نشان از توانایی بالای این شبکه در شناخت الگوهای حاکم برداده ها و وجود رابطه غیرخطی برخی متغیرهای حسابداری با سود هر سهم دارد. درنتیجه دقت پیش بینی شبکه عصبی – فازی بیشتر از شبکه ی MLP و GMDH است و برای پیش بینی سود هر سهم مناسب می باشد
۲.

پیش بینی صادرات نفت و گاز ایران با شبکه های عصبی پس از جنگ روسیه و اکراین(مقاله علمی وزارت علوم)

کلیدواژه‌ها: نفت و گاز جنگ روسیه و اوکراین هوش مصنوعی شبکه عصبی MLP

حوزه‌های تخصصی:
تعداد بازدید : ۱۰۴ تعداد دانلود : ۱۱۲
امروزه، تمامی جنبه های زندگی بشر تحت تأثیر انرژی های مختلف به ویژه نفت و گاز می باشد. یکی از کشورهای مهم در این حوزه روسیه می باشد. بررسی جزییات اقتصاد انرژی روسیه و میزان تجارت نفت و گاز آن می تواند برای کشور ایران جهت رقابت و افزایش سهم خود در بازار انرژی مفید باشد. با توجه به جنگ اخیر روسیه و اوکراین این موضوع اهمیت بیشتری پیدا کرده است. روسیه بخش عمده ای از انرژی اتحادیه اروپا به ویژه گاز آن ها را فراهم می کرده است اما در نتیجه جنگ، این تجارت دچار تغییراتی شده است. این پژوهش ابتدا زوایای مختلف انرژی روسیه را مورد مطالعه قرار می دهد و دلایل اهمیت این کشور در این زمینه ارائه خواهد شد. سپس، به طور کامل جنبه های مختلف جنگ روسیه و اوکراین و نتایج به وقوع پیوسته و همچنین اثرات احتمالی آینده آن بررسی شده است. این پژوهش، جهت بهبود نقش ایران در بازار انرژی از یک مدل هوش مصنوعی به نام پرسپترون چند لایه (MLP) استفاده کرده تا صادرات نفت و گاز ایران را پیش بینی نموده و مدلی دقیق برای این منظور ارائه دهد.داده های مربوطه به صورت فصلی از سال 1369 تا 1401 جمع آوری شده و نتایج نشان می دهد که مدل MLP با دقت بالایی قادر به پیش بینی آینده صادرات ایران می باشد. بر اساس مقادیر پیش بینی شده، انتظار می رود که طی سال های آینده میزان صادرات نفت ایران افزایش ولی مقدار صادرات گاز کشور کاهش یابد.
۳.

شناسایی عوامل مؤثر بر زمین لغزش در جاده آستارا تا تونل نمین با استفاده از مدل MLP(مقاله علمی وزارت علوم)

کلیدواژه‌ها: ارزیابی آسیب پذیری زمین لغزش شبکه عصبی MLP جاده تونلی آستارا-نمین عوامل ژئوماتیک پهنه بندی خطر مخاطرات ژئومورفیک

حوزه‌های تخصصی:
تعداد بازدید : ۱۳ تعداد دانلود : ۱۴
زمین لغزش یکی از پدیده هایی است که رخداد آن سبب ایجاد خسارات زیادی به ویژه در مناطق کوهستانی می شود. بنابراین ارزیابی و شناخت عوامل مؤثر بر وقوع رخداد زمین لغزش در مناطق کوهستانی امری ضروری است. هدف از این پژوهش شناسایی عوامل مؤثر بر زمین لغزش در جاده آستارا تا تونل نمین با استفاده از مدل MLP می باشد. مدل MLP یکی از مدل های کارآمد شبکه عصبی است که توانایی حل مسائل پیچیده را دارد. برای شناسایی عوامل مهم در رخداد زمین لغزش با توجه به مطالعات میدانی 8 عامل شناسایی شده است که شامل: زمین شناسی، پوشش گیاهی، فاصله از جاده، کاربری راضی،  شیب، جهت شیب، ارتفاع، نقاط واقعی زمین لغزش استفاده شده است. بعد از پیش پردازش ها تمام لایه ها وارد نرم افزارSPSS MODELER شده و مدل سازی با 8 نورون ورودی 6 نورون میانه و 1 خروجی طراحی شده است. نتایج این پژوهش نشان داده که خروجی وزنی مدل MLP بیشترین ارزش وزنی را برای لایه زمین شناسی با مقدار 26/0 برای لایه کاربری اراضی و فاصله از جاده به ترتیب مقدار 14/0 و 13/0 اختصاص داده است. هم چنین در بخش اعتبار سنجی مدل مقدار AUC عدد 948/0 در بخش آموزش و 962/0 در بخش تست شبکه را نمایش می دهد که گویای این است که مدل هم در بخش آموزش و هم در بخش تست دارای اعتبار بالایی می باشد بنابر این نتیجه گیری می شود که عامل زمین شناسی نسبت به سایر عوامل در رخداد زمین لغزش در منطقه تأثیر زیادی دارد و درنهایت پیشنهاد می گردد در مطالعات آتی برای مطالعه و ارزیابی زمین لغزش و حرکات دامنه ای از مدل های یادگیری ماشینی و هوش مصنوعی استفاده شود