فاطمه حقیقت؛ فریبرز جولای
چکیده
در این پژوهش از مدل زنجیرة مارکوف هلتوینترز که ترکیبی از مدلهای هلتوینترز و زنجیرة مارکوفاست، به منظور پیشبینی مقدار شاخصهای جابهجایی مسافر که از تغییرات فصلی برخوردارند، استفاده شدهاست. در همین راستا، دادههای مربوط به شاخصهای تعداد مسافر جابهجا شده و تعداد سفرهای مسافری انجامشده در استان بوشهر طی فصول سالهای 1881 الی 1851 مورد تحلیل ...
بیشتر
در این پژوهش از مدل زنجیرة مارکوف هلتوینترز که ترکیبی از مدلهای هلتوینترز و زنجیرة مارکوفاست، به منظور پیشبینی مقدار شاخصهای جابهجایی مسافر که از تغییرات فصلی برخوردارند، استفاده شدهاست. در همین راستا، دادههای مربوط به شاخصهای تعداد مسافر جابهجا شده و تعداد سفرهای مسافری انجامشده در استان بوشهر طی فصول سالهای 1881 الی 1851 مورد تحلیل قرار گرفتند. در ابتدا، دادههای مربوط بههر یک از شاخصها طی بازة مورد بررسی به دو بخش تقسیم شده و دادههای بخش دوم با استفاده از روشهلتوینترز پیشبینی شدند. سپس با محاسبة خطای مقادیر واقعی و پیشبینی شده و طبقهبندی آنها، از مدلزنجیرة مارکوف هلتوینترز به منظور پیشبینی مقادیر شاخصها بر حسب احتمالات مربوط به حالت خطاها وبهبود عملکرد مدل هلتوینترز در پیشبینی استفاده شد. نتایج حاصل از مقایسة دقت دو مدل هلتوینترز وزنجیرة مارکوف هلتوینترز نشان داد که مدل زنجیرة مارکوف هلتوینترز از دقت بالاتری در پیشبینیبرخوردار است.
مهدی کاظمی؛ علی اکبر نیک نفس؛ وحید رنجبر
دوره 9، شماره 22 ، مهر 1390، ، صفحه 191-208
چکیده
ماهیت روابط تشریح کننده بسیاری از فرایندهای واقعی زندگی به ویژه در حوزه های تجاری و مدیریتی اغلب غیر خطی هستند. لذا پیش بینی رفتار چنین فرایندهایی نیازمند ابزارهای دقیق و اثر بخش است. شبکه های عصبی مصنوعی قادرند به عنوان یک ابزار مهم مدل سازی در پیش بینی مسائل کسب و کار، نقایص مدل های معمول را جبران نمایند. هدف مقاله حاضر نشان دادن برتری ...
بیشتر
ماهیت روابط تشریح کننده بسیاری از فرایندهای واقعی زندگی به ویژه در حوزه های تجاری و مدیریتی اغلب غیر خطی هستند. لذا پیش بینی رفتار چنین فرایندهایی نیازمند ابزارهای دقیق و اثر بخش است. شبکه های عصبی مصنوعی قادرند به عنوان یک ابزار مهم مدل سازی در پیش بینی مسائل کسب و کار، نقایص مدل های معمول را جبران نمایند. هدف مقاله حاضر نشان دادن برتری شبکه های عصبی در پیش بینی فرایند های غیر خطی در مقایسه با سایر مدلهای پیش بینی است. بدین منظور در این مقاله داده های مربوط به صنعت چوب ایران شامل مقدار تولیدات، مقدار واردات و ارزش ارزی واردات از سال 1961 تا سال 2007 میلادی مورد مطالعه قرار گرفته است. ابتدا با استفاده از این داده ها و اعمال شبکه عصبی و مدل های غیر خطی به دست آمده از نرم افزار MATLAB، پیش بینی هایی در مورد صنعت چوب ایران انجام شد و سپس با توجه به شاخص ها میانگین مطلق درصدی خطا نتایج به دست آمده از روش های مزبور با هم مقایسه شدند. یافته های تحقیق حاکی از موفقیت چشمگیر شبکه عصبی در هر سه مطالعه صورت گرفته نسبت به مدل های غیر خطی به دست آمده از نرم افزار MATLAB می باشد.
پیام حنفی زاده؛ ابوالفضل جعفری
دوره 8، شماره 19 ، دی 1389، ، صفحه 165-187
چکیده
این مقاله ضمن ارائه مدلی ترکیبی از شبکه های عصبی مصنوعی، به بررسی توان پیش بینی کنندگی آنها در مقایسه با مدل های منفرد می پردازد. در این بررسی، با استفاده از شبکه های عصبی ترکیبی متشکل از شبکه های پیش خور و خود سازمانده کوهونن اقدام به پیش بینی قیمت سهام شده است. نتایج آزمایشات محاسباتی در پیش بینی قیمت سهام شده است. نتایج آزمایشات محاسباتی ...
بیشتر
این مقاله ضمن ارائه مدلی ترکیبی از شبکه های عصبی مصنوعی، به بررسی توان پیش بینی کنندگی آنها در مقایسه با مدل های منفرد می پردازد. در این بررسی، با استفاده از شبکه های عصبی ترکیبی متشکل از شبکه های پیش خور و خود سازمانده کوهونن اقدام به پیش بینی قیمت سهام شده است. نتایج آزمایشات محاسباتی در پیش بینی قیمت سهام شده است. نتایج آزمایشات محاسباتی در پیش بینی قیمت سهام در بازار بورس تهران نشان می دهد که ترکیب شبکه خود سازمانده کوهونن با شبکه پیش خور، در مقایسه با مدل منفرد شبکه پیش خور که پر کاربردترین مدل شبکه های عصبی مصنوعی در حوزه پیش بینی است عملکرد بهتری در پیش بینی قیمت سهام ارائه می کند.
محمود البرزی؛ سید امیر رضا ابطحی
دوره 4، شماره 13 ، تیر 1385، ، صفحه 41-66
چکیده
هدف این تحقیق پیش بینی نرخ خوردگی با استفاده از شبکه های عصبی مصنوعی می باشد. خوردگی پدیده ای است که به علت تاثیر عوامل مختلف و متعدد شناخته شده و ناشناخته پیچیدگی بسیار زیادی دارد و به راحتی قابل مدلسازی نیست. جهت پیش بینی و مدلسازی خوردگی در رویکرد مکانیستیک به واکنش ها و فرایندهای فیزیکی، شیمیایی، و الکتروشیمیایی آن توجه می شود و ...
بیشتر
هدف این تحقیق پیش بینی نرخ خوردگی با استفاده از شبکه های عصبی مصنوعی می باشد. خوردگی پدیده ای است که به علت تاثیر عوامل مختلف و متعدد شناخته شده و ناشناخته پیچیدگی بسیار زیادی دارد و به راحتی قابل مدلسازی نیست. جهت پیش بینی و مدلسازی خوردگی در رویکرد مکانیستیک به واکنش ها و فرایندهای فیزیکی، شیمیایی، و الکتروشیمیایی آن توجه می شود و مدلسازی بر اساس آنها انجام می پذیرد. با وجود موفقیت هایی که این مدل ها داشته اند لیکن به علت تعدد عوامل تاثیر گذار که بعضا ناشناخته نیز هستند نیاز به مدلهایی که با دقت بیشتری این پدیده را مدلسازی و پیش بینی کنند احساس می شود.
در این تحقیق برای پیش بینی نرخ خوردگی از مدل شبکه عصبی مصنوعی با بهینه سازی ژنتیک استفاده گردیده است. از بین مدل های مختلف شبکه عصبی شبکه عصبی چند لایه با الگوریتم یادگیری کاهش گرادیان انتخاب شده است. پس از ایجاد شبکه، فرایند آموزش شبکه با داده های موجود در یک پالایشگاه نفت مورد تحقیق انجام شد و سپس ارزیابی و آزمایش صورت گرفت. پس از آماده شدن شبکه جهت استخراج دانش از روش تحلیل حساسیت و الگوریتم گارسن استفاده شد.
نتایج تحقیق نشان می دهد که روش شبکه عصبی توانایی پیش بینی نرخ خوردگی را با ضریب همبستگی و خطای MSE قابل قبول دارد. بخش دیگری از نتایج که برگرفته از روش تحلیل حساسیت هستند نشان دهنده میزان تاثیر هر کدام از پارامترهای نفت خام بر روی خوردگی می باشد. طبق این نتایج نمک و گوگرد تاثیرگذارترین عوامل بر روی خوردگی در پالایشگاه مورد تحقیق هستند.
