مطالب مرتبط با کلید واژه " شبکه ی عصبی مصنوعی "


۱.

بررسی تأثیر نااطمینانی نرخ ارز بر رشد اقتصادی ایران با استفاده از شبکه ها ی عصبی

کلید واژه ها: رشد اقتصادی ایرانشبکه ی عصبی مصنوعینااطمینانی نرخ ارزالگوی GARCH

حوزه های تخصصی:
تعداد بازدید : ۸۲۵ تعداد دانلود : ۳۵۴
در این تحقیق سعی شده است که به طور تجربی به بررسی و پیش بینی تأثیر نااطمینانی نرخ ارز بر رشد اقتصادی ایران برای دوره 1389-1338 با استفاده از روش شبکه ها ی عصبی مصنوعی پرداخته شود. برای این منظور در ابتدا نااطمینانی نرخ ارز با بکارگیری الگوی واریانس ناهمسانی شرطی اتورگرسیو تعمیم یافته (GARCH)، محاسبه شده است. سپس تأثیر این نااطمینانی در نرخ ارز بر رشد اقتصادی ایران با توجه به شبکه های عصبی مصنوعی، مورد آزمون قرار گرفته است. برای این مهم، نخست شبکه ی مناسب از نظر معیارهای ارزیابی همچون ضریب تعیین و میانگین مربعات خطا، تبیین و سپس با توجه به شبکه ی آموزش دیده به بررسی فرضیه تحقیق پرداخته شد. نتایج نشان می دهد که نااطمینانی نرخ ارز تأثیر منفی امّا خفیف روی رشد اقتصادی ایران در طی سال های اخیر داشته است امّا انتظارات بر آن است که این تأثیر در سال های آتی، از معناداری بالاتری برخوردار باشد.
۲.

پیش آگاهی فصلی دبی ورودی به دریاچه ی ارومیه با استفاده از سیگنال های بزرگ مقیاس اقلیمی

کلید واژه ها: همبستگیسیگنال های بزرگ مقیاس اقلیمیشبکه ی عصبی مصنوعیپیش آگاهیدبی ورودیدریاچه ی ارومیه

حوزه های تخصصی:
  1. حوزه‌های تخصصی جغرافیا جغرافیای طبیعی جغرافیای آبها
  2. حوزه‌های تخصصی جغرافیا جغرافیای طبیعی آب و هواشناسی
تعداد بازدید : ۳۹۸ تعداد دانلود : ۱۷۰
هدف اصلی این مطالعه بررسی تأثیر سیگنال های اقلیمی بر دبی دو ایستگاه منتخب و نوسان آب دریاچه ارومیه، طیّ دوره ی 22 ساله (2007-1986) می باشد. برای این کار ازداده های دو ایستگاه منتخب، داده های ماهانه شاخص نوسان جنوبی SOI، نوسان اطلس شمالی NAO و شاخص ENSO در مناطق NINO1+2, NINO3, NINO4و NINO3.4 استفاده شد. داده های مربوط به سیگنال های بزرگ مقیاس اقلیمی از مرکز داده های NCEP تهیه گردید. داده های مربوط به میانگین دبی ماهانه ایستگاه های داشبند و ساریقمیشنیز از مرکز داده های وزارت نیرو تهیه گردید. ابتدا به منظور بررسی اولیه داده ها و همبستگی بین آنها برای تهیه مناسب ترین مدل پیش بینی دبی، گام های زمانی 0، 3 و 6 ماهه مد نظر قرار گرفت. در بررسی دبی در بازه های زمانی مختلف، ایستگاه های مورد مطالعه، نتیجه شد، همبستگی در بازه ی زمانی تأخیری شش ماهه بیشتر از بازه های زمانی همزمان و تأخیری سه ماهه است.پس از تبیین ارتباط و نوع آن، مدل پیش بینی با استفاده از شبکه ی عصبی مصنوعی طراحی گردید و نتایج حاصل از این مدل مورد ارزیابی و تجزیه و تحلیل قرار گرفت. با توجه به همبستگی های معنی دار در بازه های زمانی این نتیجه گرفته شد، که شاخص های بزرگ مقیاس اقلیمی از نظر گردش عمومی جو و متأثر نمودن سیستم های بزرگ جوی در منطقه ی مورد مطالعه بر دما، بارش و دبی و نوسان آب دریاچه ی ارومیه تأثیر معنی داری می گذارند. بررسی مدل های خروجی از نرم افزار شبکه ی عصبی مصنوعی نشان داد، که مؤثرترین سیگنال ها بر دبی به ترتیب NINO3.4, NINO3, NINO1+2 و کم اثرترین سیگنال ها به ترتیب NAO ,SOIمی باشند. با توجه به یافته های تحقیق حاضر می توان این طور نتیجه گیری کرد که ارتباط معنی داری بین دبی با سیگنال های اقلیمی و جود دارد.
۳.

شبیه سازی آبدهی چشمه های کارستی با استفاده از شبکه ی عصبی مصنوعی (مطالعه ی موردی: ارتفاعات البرز مرکزی)

کلید واژه ها: استان مازندرانمنابع آبتخلخلشبکه ی عصبی مصنوعی

حوزه های تخصصی:
  1. حوزه‌های تخصصی جغرافیا جغرافیای طبیعی جغرافیای آبها
  2. حوزه‌های تخصصی جغرافیا فنون جغرافیایی روش های کمی در جغرافیا
تعداد بازدید : ۳۱۰ تعداد دانلود : ۱۴۲
چشمه ها یکی از منابع آبی مهم در سطح کشور شمرده می شوند. در ارتفاعات البرز مرکزی چشمه های کارستی فراوانی گسترش دارند که شناخت وضعیّت هیدرولوژیکی آنها در بهره برداری و مدیریت آنها ضرورت دارد. هدف از این پژوهش، بررسی کارایی شبکه ی عصبی مصنوعی در شبیه سازی آبدهی چشمه های کارستی در استان مازندران است. بدین منظور، 80 چشمه کارستی مورد مطالعه قرار گرفت. تعداد 60 نمونه برای آموزش یا ارائه ی مدل و تعداد 20 نمونه برای تست یا اعتباریابی استفاده شد. مقادیر کمّی عوامل مؤثّر در آبدهی چشمه های کارستی، شامل؛ درصد تخلخل تشکیلات آبخوان، ارتفاع مکان، شیب زمین، بارش متوسّط سالانه و فاصله از منابع آب با به کارگیری داده ها و نقشه ها در محیط سیستم اطلاعات جغرافیایی(GIS) برآورد شد. برای ارائه ی مدل مناسب برای آبدهی چشمه های کارستی از نرم افزار MATLAB شاخه ی Neural Network و از شبکه ی پرسپترون چند لایه استفاده شد. برای فرآیند شبیه سازی، 80 درصد داده ها برای آموزش و 20 درصد مابقی برای تست یا اعتباریابی استفاده شد. عملکرد شبکه ی عصبی با پارامتر هایی چون، جذر میانگین مربّع خطا (RMSE) و ضریب همبستگی بین خروجی های حقیقی و دلخواه (R) سنجیده شد. نتایج پژوهش، نه تنها کارایی شبکه ی عصبی مصنوعی در شبیه سازی آبدهی چشمه ها را نشان داد؛ بلکه حاکی از آن است که عوامل فاصله از منابع آب، تخلخل تشکیلات آبخوان و ارتفاع مکان، عوامل اصلی در آبدهی چشمه های کارستی در ارتفاعات البرز مرکزی به شمار می آیند؛ بنابراین با استفاده از شبکه ی عصبی مصنوعی، می توان آبدهی چشمه های فاقد آمار را با دقّت قابل قبولی برآورد کرد.
۴.

ارزیابی روشهای شبکه ی عصبی مصنوعی و زمین آمار در برآورد توزیع مکانی عملکرد گندم دیم و آبی (مطالعه ی موردی: خراسان رضوی)

کلید واژه ها: خراسان رضویعملکرد گندمزمین آمارشبکه ی عصبی مصنوعیمختصات جغرافیایی

حوزه های تخصصی:
تعداد بازدید : ۳۶۶ تعداد دانلود : ۱۸۴
پژوهش حاضر با هدف پیش بینی میزان عملکرد گندم آبی و دیم با روش های زمین آمار کریجینگ و شبکه ی عصبی مصنوعی در سطح استان خراسان رضوی انجام گرفت. بدین منظور نخست مشخّصات طول و عرض جغرافیایی هفده شهرستان مورد مطالعه، به عنوان ورودی های هر دو روش تعریف شد. خروجی هر روش نیز مقدار عملکرد گندم آبی و دیم هر شهرستان بود. در بخش زمین آمار سه روش کریجینگ معمولی، کریجینگ ساده و کریجنگ عمومی و در بخش شبکه ی عصبی مصنوعی، ساختار پرسپترون سه لایه با الگوریتم پس انتشار خطا، مورد ارزیابی قرار گرفت. نتایج نشان دادند در بین روش های زمین آمار، روش کریجینگ ساده با نیم تغییرنمای دایره ای در پیش بینی عملکرد گندم آبی با مجذور میانگین مربّعات خطای نرمال 120/0 و روش کریجینگ معمولی با نیم تغییرنمای نمایی و مجذور میانگین مربّعات خطای نرمال 348/0 در پیش بینی عملکرد گندم دیم مناسب بود. مقایسه ی نتایج زمین آمار و شبکه ی عصبی مصنوعی بیانگر توانایی بالای شبکه ی عصبی در مقابل روش زمین آمار کریجینگ بود، به طوری که در شبکه ی عصبی مصنوعی عملکرد گندم دیم و آبی به ترتیب با 46 و 42 درصد خطای کمتر نسبت به روش زمین آمار برآورد شد. همچنین محاسبه ی شاخص ویلموت نشان داد دقّت شبکه ی عصبی در پیش بینی عملکرد گندم دیم، 81 درصد و در گندم آبی 65 درصد بود. در حالی که شاخص ویلموت برای پیش بینی عملکرد گندم دیم و آبی به روش زمین آمار، به ترتیب 53 درصد و 50 درصد به دست آمد. درمجموع می توان چنین نتیجه گرفت که روش شبکه ی عصبی مصنوعی با تلفیق دو عامل طول و عرض جغرافیایی، قادر به پیش بینی عملکرد گندم آبی و دیم پیش از برداشت با دقّت مناسب است.
۵.

ارایه ی چارچوبی برای پیش بینی غیبت کارکنان با رویکرد شبکه های عصبی مصنوعی

کلید واژه ها: تحلیل حساسیتغیبت از کارشبکه ی عصبی مصنوعیشبکه ی عصبی پیش خور

حوزه های تخصصی:
  1. حوزه‌های تخصصی مدیریت مدیریت منابع انسانی رفتار سازمانی
  2. حوزه‌های تخصصی مدیریت مدیریت صنعتی تحقیق در عملیات مدلسازی ریاضی
تعداد بازدید : ۳۹۹ تعداد دانلود : ۱۷۶
غیبت از کار موضوعی مهم و اساسی برای صنایع و سازمان ها است. این مسئله، به عنوان عاملی هزینه زا در سازمان ها، مدیران را بر آن داشته است تا در زمینه ی کاهش آن اقدامات لازم را انجام دهند. نخستین گام در جهت کاهش هزینه های غیبت، شناسایی عواملی است که بر غیبت اثر گذاشته و باعث کاهش یا افزایش آن می شوند. تحقیق حاضر برای نخستین بار در ایران با استفاده از خصوصیت تقریب توابع غیرخطی شبکه های عصبی مصنوعی، مدلی مناسب برای پیش بینی میزان غیبت کارکنان طراحی شده و میزان تأثیر عوامل مختلف بر غیبت از کار نیز مورد ارزیابی قرار گرفته است. به منظور رسیدن به اهداف یادشده، 14 عامل مؤثر بر غیبت کارکنان به عنوان ورودی تبیین، سپس با استفاده از مدل پرسپترون چندلایه، میزان غیبت کارکنان پیش بینی شده است که براساس قابلیت های مدل طراحی شده، مدیریت می تواند اقدامات لازم را در جهت کاهش غیبت کارکنان به عمل آورد. در ادامه ی تحقیق، با استفاده از فن تحلیل حساسیت، تأثیر هر کدام از متغیرهای ورودی بر خروجی این مدل مورد ارزیابی قرار گرفته است. نتایج نهایی، نشانگر این است که: عوامل «تعهد سازمانی»، «رضایت شغلی» و «تنوع شغلی» بیشترین تأثیر را بر میزان غیبت کارکنان دارند.
۶.

ارزیابی آثار تغییراقلیم بر میزان رواناب رودخانه ی نازلوچای در حوضه ی آبریز دریاچه ی ارومیه

کلید واژه ها: ارومیهبارشدماشبکه ی عصبی مصنوعیSDSM

حوزه های تخصصی:
تعداد بازدید : ۲۲۶ تعداد دانلود : ۸۷
معتبرترین روش برای شبیه سازی متغیّرهای اقلیمی در دوره های آتی، تحت تأثیر تغییر اقلیم، استفاده از داده های مدل گردش عمومی جو و GCMs بوده که بزرگ مقیاس می باشند و لازم است تا ریزگردانی گردند. در این پژوهش، از داده های بارش و دمای روزانه ی ایستگاه سینوپتیک ارومیه واقع در شمال غرب ایران، طیّ دوره ی آماری 1971 الی 2000 جهت ورودی به نرم افزار اقلیمی ریز مقیاس نمایی SDSMاستفاده گردیده است. با در نظر گرفتن دو سناریو A2 و B2 برای دوره ی آماری 2099- 2000، در آینده دما به میزان 45/0 و 35/0 درجه ی سانتیگراد و بارندگی نیز تحت این دو سناریو به ترتیب 10 و 9 درصد افزایش می یابد. در پایان این تحقیق با استفاده از داده های دما و بارش پیش بینی شده ازمدل اقلیمی و رواناب رودخانه ی نازلوچای دردوره ی پایه و همچنین با استفاده از شبکه ی عصبی مصنوعی پویا، میزان آورد دبی رودخانه نازلوچای تحت دوسناریویB2 و A2برای دوره ی آتی و همچنین وضعیت سیلاب ها در سطح حوضه برآورد گردیده است. برآوردها حاکی از افزایش رواناب رودخانه در دوره ی آتی تحت سناریوهای انتشار مذکور به میزان 48 و 49 درصد بوده است.
۷.

مقایسه ی مدل استنتاج فازی و شبکه ی عصبی مصنوعی در برآورد عمق سنگ کف آبخوان مطالعه ی موردی: خراسان جنوبی- آبخوان بیرجند

کلید واژه ها: پیش بینیشبکه ی عصبی مصنوعیضخامت آبرفتعمق سنگ کفاستنتاج فازی عصبی

حوزه های تخصصی:
  1. حوزه‌های تخصصی جغرافیا جغرافیای طبیعی ژئومورفولوژی
  2. حوزه‌های تخصصی جغرافیا فنون جغرافیایی روش های کمی در جغرافیا
تعداد بازدید : ۲۹۲ تعداد دانلود : ۱۱۶
آب زیرزمینی یکی از مهمترین منابع آب در مناطق خشک و نیمه خشک است. با توجه به کاهش سطح آب زیرزمینی بر اثر برداشت غیرمجاز در بیشتر دشت های ایران، دبی چاهها پس از مدت کوتاهی به میزان زیادی کاهش یافته و این مهم لزوم برنامه ریزی منابع اب را مورد توجه قرار می دهد. تعیین ضخامت آبرفت و نوع مصالح تشکیل دهنده ی آبخوان ها یکی از موارد ضروری جهت برنامه ریزی برای توسعه ی شهر و طراحی زیرساخت های آن می باشد. با توجه به اهمیّت عمق برآورد سنگ کف آبخوان ها جهت برآورد حجم و برنامه ریزی منابع آب در این تحقیق کارایی مدل های شبکه ی عصبی مصنوعی و سیستم های استنتاج فازی عصبی در میزان عمق سنگ کف و پهنه بندی آن در بخش های مختلف آبخوان مورد بررسی قرار گرفت. در این تحقیق از پارامترهای طول و عرض جغرافیایی، شوری، تراز سطح آب و زمین به عنوان ورودی ها استفاده شد و تلاش شد تا مدل مناسب برای پیش بینی سنگ کف تعیین گردد. نتایج این مطالعه نشان داد که مدل شبکه ی عصبی مصنوعی با ضریب تبیین 835/0 و میانگین مجذور خطای 88/49 متر با ورودی های تراز آب زیرزمینی، طول و عرض جغرافیایی دقت بالاتری نسبت به مدل های نروفازی در برآورد عمق سنگ بستر دارد