جستجو در مقالات منتشر شده


۱۰ نتیجه برای شبکه عصبی
حل مساله تخصیص تعمیم یافته به روش شبکه عصبی
، اعتمادی مریم،
دوره ۴، شماره ۱۳ - ( ۴-۱۳۸۶ )
چکیده
در این مقاله روش شبکه عصبی را برای حل مساله تخصیص تعمیم یافته به کار می بریم. این مساله تعمیم مساله معروف تخصیص است که به صورت یک مساله برنامه ریزی صحیح صفر و یک فرموله می شود. برای حل این مساله با استفاده از روش شبکه عصبی ابتدا آن را به یک مساله برنامه ریزی غیر خطی تبدیل می کنیم سپس دو نوع ساختار شبکه عصبی یکی بر اساس روش تابع جریمه و دیگری روش ضرایب لاگرانژین افزوده را برای آن به کار برده و با هم مقایسه می کنیم. ملاحظه می شود که شبکه عصبی بر مبنای روش تابع جریمه برای مسایل بهینه سازی ترکیبی مناسب نیست زیرا یا به جواب نشدنی می رسد و یا در یک جواب شدنی غیر بهین متوقف می گردد در حالی که شبکه عصبی بر مبنای روش ضرایب لاگرانژین افزوده تا حدی این مشکل را بر طرف می کند.
پیش بینی ارتفاع امواج دریای خزر با استفاده از شبکه مصنوعی عصبی
، طالقانی محمد، امیرتیموری علیرضا،
دوره ۵، شماره ۱۸ - ( ۷-۱۳۸۷ )
چکیده
پیش بینی داده های آماری امواج دریا نظیر ارتفاع و دوره تناوب آن ها از ضروری ترین نیازهای اطلاعاتی مرتبط با محیط دریا است. برای پیش بینی وضعیت امواج دریا روش های گوناگونی وجود دارد. استفاده از مدل های عددی پیچیده ای نظیر مدل WAM از جمله این روش ها است. وجود عبارت های غیرخطی در معادلات حاکم، مدل سازی امواج را امری مشکل نموده است. از طرف دیگر توانمندی روش شبکه های عصبی مصنوعی در مدل سازی مسایل غیرخطی باعث شده است که به موازات کاربرد مدل های عددی? از روش شبکه های عصبی نیز در پیش بینی امواج استفاده شود. در مقاله حاضر از داده های واقعی امواج دریای خزر که توسط بویه موج نگار و سیستم ADCP اندازه گیری شده اند، در یک شبکه مصنوعی عصبی استفاده می شود. این داده ها به دو مکان مختلف و دو فاصله زمانی گوناگون مربوط می شوند. شبکه مورد استفاده یک شبکه سه لایه پیشرو بوده که در مرحله آموزش آن، الگوریتم های متفاوت آموزش شبکه بکار رفته و از نتایج حاصل برای پیش بینی ارتفاع امواج استفاده شده است. برای پیش بینی ارتفاع امواج سعی شده تا این کار در دوره های زمانی ۱۲ ,۶ ,۳ و ۲۴ ساعته صورت پذیرد. به عنوان معیاری از درستی روش، منحنی های پراکندگی امواج و مقادیر ضرایب همبستگی داده ها در دو نقطه اندازه گیری ارایه شده اند. مقایسه داده های واقعی اندازه گیری شده توسط سیستم های اندازه گیری با نتایج حاصل از پیش بینی شبکه عصبی، تطابق خوبی را نشان می دهد که نشانگر دقت و سرعت خوب روش به کار رفته در دوره های زمانی کوتاه مدت می باشد.
ارزیابی کارایی شعب بانک اقتصاد نوین با ترکیبی از روش شبکه عصبی و تحلیل پوششی داده ها
سعید محرابیان، صابرساعتی مهتدی، علی هادی،
دوره ۸، شماره ۴ - ( ۱۰-۱۳۹۰ )
چکیده
درسالهای اخیر با ورود تکنولوژیهای جدید و اینترنت، رقابت موجود بین بانک ها افزایش چشمگیری داشته است . بانکهای بزرگ و قدرتمند، اهداف پیشبینی شده خود را با جدیت پیگیری میکنند تا توان رقابتی خود را بالا ببرند . تجزیه و تحلیل کارایی شعب در بانکداری نوین،آزمونی برای مدیریت این بانکهاست . مدیریت بانک ها ، درجستجوی دلایل ناکارایی شعب برای رفع آنها هستند. این کار باعث میشود تا نتیجه رقابت خود با دیگران را مشاهده کنند . بانک اقتصاد نوین با شعار پیشرو بودن در بانکداری الکترونیکی، تلاش زیادی را در گسترش سطح فعالی ت های بانکی خود در کشور انجام داده است و با هدفمند کردن فعالیت هر یک از شعب، تلاش زیادی برای تحقق شعارهای خود انجام داده است. محاسبه کارایی شعب بانک اقتصاد نوین در سال های ۱۳۸۷،۱۳۸۶ موضوع این مقاله میباشد. این مقاله با ترکیبی از یک روش شبکه عصبی و تحلیل پوششی دادهها به عنوان دو روش ناپارامتریک برای ارزیابی کارایی شعب بانک استفاده کرده است. دادهها مربوط به ۴۰ شعبه بانک در سال های ۱۳۸۶ و ۱۳۸۷ جمعآوری و میزان کارایی هر یک از شعب محاسبه گردیده است. در ادامه به تجزیه و تحلیل نتایج پرداخته و راهکارهایی در جهت بهبود کارایی شعب ارایه شده است.
توسعه‌ی مدلی ترکیبی هوشمند برای پیش‌بینی بازار سهام تهران
رضا حافظی، جمال شهرابی، اسماعیل هداوندی،
دوره ۱۰، شماره ۲ - ( ۵-۱۳۹۲ )
چکیده
اخیراً مساله‌ای که توجه زیادی را به خود جلب کرده، پیشرفت فزآینده بازارهای پولی و مالی می‌باشد. هم‌اکنون یکی از اهداف اصلی گردانندگان بازارهای پولی و مالی این است که هر کسی، با هر سلیقه و هر مقدار و انتخاب هر نوع دارایی بتواند وارد این بازارها شده؛ فرصت‌های مناسب سرمایه‌گذاری را تشخیص دهد و در صورت تشخیص صحیح بتواند سود مناسبی کسب نماید. در توسعه و به‌کارگیری یک مدل پیش بینی، یکی از مسایل مهمی که باید مورد توجه قرار گیرد دقت آن‌ها در مدل کردن روندهای آشوبناک و غیرخطی موجود در اکثر سیستم‌هاست .امروزه مدل‌های هوش مصنوعی از قبیل شبکه‌های عصبی مصنوعی، منطق فازی و الگوریتم‌های ژنتیک به دلیل توانمندی بالایی که در مدل کردن مسایل پیچیده مهندسی و سیستم‌های غیرخطی دارند به موضوع رایج تحقیقات در حوزه‌های مختلف تبدیل شده‌اند. در همین راستا با توجه به رویکرد سیستم‌های هوشمند در پیش‌بینی بازارهای مالی مدل ترکیبی هوشمند بَت- عصبی ارایه داده شدکه نتایج حاصل از پیش بینی دو نماد بیمه آسیا و مخابرات ایران در بازار بورس تهران نشان داد این مدل با دقت بالاتری نسبت به مدل های مقایسه‌ای ژنتیک عصبی و... عمل می‌کند.
مدل‌سازی طول عمر خستگی چند لایه فلزی الیافی گلر تحت ضربه با سرعت پایین به روش المان محدود
علیرضا صداقت، مجید علی طاولی، ابوالفضل درویزه، رضا انصاری خلخالی،
دوره ۱۶، شماره ۲ - ( ۴-۱۳۹۸ )
چکیده
در این تحقیق، ابتدا با استفاده از روش المان محدود طول عمر خستگی چند لایه فلزی الیافی گلر که تحت ضربه قرار گرفته به‌دست‌آمده و نتایج عددی مدل با نتایج آزمایشگاهی مقایسه گردید و با توجه به تطابق بسیار خوب نتایج عددی و تجربی، با تعمیم و گسترش نتایج حاصل از مدل المان محدود و استفاده از شبکه عصبی چندلایه مدل عددی نتایج استخراج شد و سپس با به‌کارگیری الگوریتم فرا ابتکاری بیش‌ترین طول عمر خستگی گلر در بالاترین حد ضربه با سرعت خیلی پایین تعیین گردید.
یک شبکه عصبی اصلاح شده کارا برای حل مسایل برنامه‌ریزی غیرخطی با محدودیت‌های هیبریدی
علیرضا ناظمی، سمیرا سوخت سرایی، مرضیه مرتضایی،
دوره ۱۶، شماره ۳ - ( ۷-۱۳۹۸ )
چکیده
یک مدل شبکه عصبی کارا برای حل یک مساله بهینه‌‌سازی غیرخطی با محدودیت­های هیبریدی ارایه می­شود. بر مبنای شرایط بهینگی کاروش-کان-تاکر و مفاهیمی از آنالیز محدب و بهینه‌سازی، ابتدا یک مدل شبکه ارایه می­شود. ثابت می‌شود که مدل شبکه عصبی ارایه شده پایدار لیاپانف بوده و همگرای سراسری به جواب مساله بهینه‌‌سازی اصلی می­باشد. با ارایه چندین مثال عددی، کارایی مدل ارایه شده برای حل مساله بهینه‌‌سازی با محدودیت­‌های هیبریدی نشان داده می‌شود.
بهینه‌سازی پیش‌بینی تقاضای وجه نقد دستگاه‌های خودپرداز شبکه بانکی کشور با استفاده از شبکه عصبی بازگشتی عمیق LSTM
سودابه پورذاکر عربانی، حسین ابراهیم پور کومله،
دوره ۱۶، شماره ۳ - ( ۷-۱۳۹۸ )
چکیده
یکی از مشکلات سیستم‌های بانکی، پیش‌بینی تقاضای وجه نقد خودپردازها است. پیش‌بینی صحیح می‌تواند به دلایل زیر باعث سودآوری سیستم بانکی و رضایت‌مندی مشتریان این سیستم بانکی گردد. دقت در پیش‌بینی، هدف اصلی این پژوهش است. اگر خودپردازها با کمبود وجه نقد مواجه شوند محبوبیت بانک ارایه‌دهنده این سرویس کاهش خواهد یافت و بانک با کاهش استفاده مشتریان از این سیستم مواجه خواهد شد. از طرفی دیگر اگر بانک دچار محبوس‌شدن وجه نقد در خودپرداز شود، با توجه به تورم در ایران، این وضعیت روی سودآوری بانک تاثیر منفی خواهد گذاشت؛ بنابراین هدف از این پژوهش، پیش‌بینی دقیق برای رفع هزینه‌های دوگانه است؛ چون اطلاعات میزان وجه نقد به صورت روزانه است، بنابراین هر خودپرداز، رفتاری به صورت سری زمانی خواهد داشت و از طرفی چون هدف ما از این پژوهش، پیش‌بینی میزان تقاضای وجه نقد همه خودپردازهاست، در نتیجه ما با داده‌هایی از نوع پنل مواجه هستیم. روش‌هایی که در این تحقیق برای پیش‌بینی مورد استفاده قرار گرفته است، عبارتند از: روش آماری، روش شبکه عصبی MLP و شبکه عصبی بازگشتی عمیق LSTM . نتایج حاصل از این سه روش را سپس مورد مقایسه قرار می دهیم و نشان می‌دهیم روش شبکه عصبی بازگشتی عمیق LSTM  دارای بالاترین دقت است.
تصمیم گیری سرمایه گذاری در پرتفوی پروژه های توسعه فناوری؛ مبتنی بر تحلیل معیارهای موفقیت با استفاده از شبکه عصبی فازی و MADM
محمدعلی افشارکاظمی، رضا احتشام راثی، حامد صوفی، محمد صادق بهروز،
دوره ۱۶، شماره ۴ - ( ۱۰-۱۳۹۸ )
چکیده
پروژه توسعه فناوری از نوع پروژه­ های سرمایه­ گذاری بوده و بر این اساس شناسایی شاخص ­های عملکردی و برنامه­ ریزی جهت سرمایه ­گذاری صحیح حایز اهمیت است. هدف از انجام این پژوهش توسعه شاخص ­های موفقیت پرتفوی، تحلیل دقیق از اثرات شاخص ­ها بر یکدیگر و دست­یابی به الگوی صحیح جهت سرمایه ­گذاری است. در همین راستا یکی از سازمان­ های حمایت از پروژه­ های توسعه فناوری صنایع دفاع و ۹ شرکت زیرمجموعه آن مورد مطالعه قرار گرفته­ اند. در این پژوهش، معیارهای موفقیتِ پروژه­ های توسعه فناوری با رویکردی جدید از نقطه نظر تمایز پروژه، طرح و پرتفوی شناسایی و دسته­ بندی شده، اهمیت آن‌ها از طریق آزمون‌های آماری مورد سنجش قرار گرفته و رابطه­ ی بین معیارهای موفقیت در هر یک از سطوح پروژه­، طرح و پرتفوی، با استفاده از روش DEMATEL تجزیه و تحلیل شده است. در ادامه جهت دستیابی به برازش بهینه تصمیم ­گیری برای سرمایه ­گذاری، از الگوریتم ANFIS استفاده شده است. برای این منظور سناریوهای سرمایه گذاری مبتنی بر معیارها و اوزان آن‌ها تدوین و به­ عنوان ورودی شبکه در نظر گرفته شده و در نهایت بر اساس ۹ نمونه از ۷ پروژه توسعه فناوری، با استفاده از نرم­افزار MATLAB و با روش­های خوشه بندی Grid Partitioning ،FCM  وSubtractive  تابع مطلوبیت سرمایه ­گذاری ترسیم گردید. از نتایج این پژوهش می ­توان به شناسایی و دسته بندی معیارهای موفقیت پروژه ­های توسعه فناوری و مشخص شدن تأثیرگذارترین، تأثیرپذیرترین و پر­اهمیت­ ترین معیارها در هر یک از گروه­ های پروژه، طرح و پرتفوی اشاره نمود. همچنین نحوه اثرگذاری و ارتباط معیارهای موفقیت با یکدیگر از طریق نمودار­های "نقشه ارتباط شبکه" ارایه گردیده و نتایج  سیستم استنتاج فازی عصبی تطبیقی، تابع مطلوبیت سرمایه­ گذاری را به عنوان معیاری برای تصمیم ­گیری در پروژه ­ها ارایه می­ کند که این متدلوژی قابل تعمیم به طرح و پورتفوی نیز می­ باشد.
کاربرد رویکرد ترکیبی تحلیل پوششی داده‌ها و شبکه عصبی مصنوعی در ارزیابی کارایی متوازن شرکت های داروسازی بورس اوراق بهادارتهران
مهدی همایون فر، فریبا صلاحی، امیر دانشور، سید محمدعلی خاتمی فیروزآبادی،
دوره ۱۸، شماره ۳ - ( ۶-۱۴۰۰ )
چکیده
ارزیابی عملکرد از مهم‌ترین روش­ های بررسی نحوه کارکرد سازمان­ ها در مقایسه با وضعیت گذشته و یا سایر رقبا می­ باشد که امکان انجام اقدامات لازم برای بهبود عملکرد را ممکن می­ سازد. در این پژوهش با به‌کارگیری یک رویکرد ترکیبی تحلیل پوششی داده ­ها و شبکه عصبی مصنوعی به ارزیابی عملکرد شرکت داروسازی ایران دارو پرداخته شده است. به این منظور، در ابتدا با بررسی مبانی نظری، معیارهای ارزیابی شرکت بر اساس منظرهای کارت امتیازی متوازن مورد بررسی قرار گرفتند و در ادامه معیارهای با درجه اهمیت بالاتر بر اساس نظر خبرگان شناسایی شدند. بر این اساس، با توجه به لزوم مطالعه و ارزیابی عملکرد شرکت داروسازی ایران دارو، عملکرد این شرکت طی دوره ۴ ساله (سال ۱۳۹۳ الی ۱۳۹۶) با استفاده از تحلیل پوششی داده­ ها با فرض بازده به مقیاس ثابت و دیدگاه خروجی محور مورد ارزیابی قرار گرفت. سپس با استفاده از الگوریتم شبکه عصبی مصنوعی به پیش­ بینی عملکرد شرکت پرداخته شده است. نهایتاً، نتایج شبکه های عصبی مصنوعی با لایه­ های مختلف بررسی‌شده و نتایج حاصل از شبکه با مناسب‌ترین تعداد لایه­ ها بر اساس شاخص­ های دقت، صحت، فراخوانی و خطا با نتایج سایر الگوریتم­ های یادگیری ماشین مقایسه گردیده است. نتایج، نشان­ دهنده عملکرد بهتر مدل ارایه شده در مقایسه با الگوریتم­ های درخت تصمیم، بیز ساده، ماشین بردار پشتیبان و K نزدیک‌ترین همسایه می‌باشد.
ارایه مدل پیش‌بینی سقوط قیمت سهام در بورس اوراق بهادار تهران با استفاده از الگوریتم‌های فراابتکاری و شبکه عصبی مصنوعی
رضا راعی، سعید شیرکوند، علی جمالی،
دوره ۲۲، شماره ۱ - ( ۱-۱۴۰۴ )
چکیده

سقوط‌های ناگهانی بازار سهام همواره یکی از بزرگ‌ترین چالش‌های سرمایه‌گذاران بوده است. در این مطالعه با هدف بهبود مدل‌های پیش‌بینی ریزش قیمت در بازار سهام تهران، از ترکیب الگوریتم‌های فراابتکاری و شبکه عصبی مصنوعی استفاده شده است. برای انجام پژوهش،  تحقیقات و ادبیات موجود پیرامون عوامل تاثیرگذار بر نوسانات قیمت مورد بررسی جامع قرار گرفته و در مرحله بعد، به دلیل تعدد متغیرها در طی دوره زمانی نسبتا طولانی داده‌های مورد مطالعه و با هدف بهینه‌سازی فرآیند تحلیل، از الگوریتم‌های فراابتکاری استفاده شد. به کمک این الگوریتم‌ها که شامل ۱۰ روش "کلونی مورچگان"، " تپه‌نوردی"، " لاس وگاس"، "نهنگ"، " تبرید شبیه‌سازی‌شده"، "الگوریتم ژنتیک"، "جستجوی ممنوعه"، "حرکت تجمعی ذرات"، "زنبور عسل" و "کرم شب‌تاب" هستند، تعداد متغیرهای موجود کاهش یافت و عوامل با تاثیرگذاری بالا انتخاب شدند. از برآیند الگوریتم‌های فراابتکاری ۵ متغیر "بازده حقوق صاحبان سهام"، "نسبت بدهی"، "نسبت جریان نقد سهامداران به درآمد"، "چولگی منفی بازده سهام" و "لگاریتم فروش" انتخاب شدند. توجه به پنج متغیر مذکور برای فعالان اقتصادی و سرمایه‌گذاران از اهمیت بالایی برخوردار است؛ این متغیرها به عنوان شاخص‌های کلیدی در تحلیل وضعیت مالی و عملکرد شرکت‌ها عمل می‌کنند و می‌توانند به شناسایی ریسک‌های بالقوه کمک کنند. داده‌های مورد نیاز از پایگاه‌های اطلاعاتی بورس اوراق بهادار تهران در بازه زمانی ۱۳۸۰ تا ۱۴۰۰ گردآوری شده و شامل اطلاعات مالی شرکت‌های پذیرفته شده در بورس است. نتایج تحقیق نشان می‌دهند فرآیند ارایه شده در پژوهش به طور مطلوبی توانایی پیش‌بینی سقوط قیمت سهام را داراست.


صفحه ۱ از ۱