جستجوی مقالات مرتبط با کلیدواژه « شبکه های عصبی مصنوعی » در نشریات گروه « صنایع »
تکرار جستجوی کلیدواژه «شبکه های عصبی مصنوعی» در نشریات گروه «فنی و مهندسی»-
هدف
امروزه شرکت های بیمه با رقابتی گسترده برای جذب و نگهداری مشتریان وفادار رو به رو هستند؛ بنابراین اهمیت مدل های پیش بینی وفاداری مشتریان بیش از گذشته نمایان شده است و می تواند موجب سهم بازار گسترده تری برای شرکت ها می شود. هدف اصلی پژوهش حاضر شناسایی عوامل موثر بر وفاداری مشتریان و توسعه مدلی جهت پیش بینی میزان وفاداری آن ها در صنعت بیمه و در شرکت های بیمه است.
روش شناسی پژوهش:
این پژوهش ازنظر رویکرد، کمی، ازنظر گردآوری اطلاعات، پیمایش و ازنظر نتایج حاصله، کاربردی است. در چارچوب این پیمایش از تحلیل عاملی تاییدی و شبکه های عصبی مصنوعی استفاده شده است. به منظور بومی سازی عوامل مستخرج از ادبیات نظری و همچنین رفع تناقضات موجود در موثر بودن یا نبودن عوامل به دست آمده از ادبیات پژوهش، در ابتدا عوامل با استفاده از تحلیل عاملی تاییدی و نرم افزار SMART PLS3 موردبررسی قرار گرفتند و تاثیرات آن ها بر وفاداری مشتریان سنجیده شدند. سپس عوامل تایید شده به عنوان ورودی برای آموزش شبکه ی عصبی مصنوعی با نرم افزار MATLAB R2019b در نظر گرفته شد.
یافته هادر این پژوهش حجم نمونه بر اساس جدول مورگان (حجم جامعه نامحدود و سطح خطای %0.05)، 384 نفر در نظر گرفته شده است. تعداد 436 پرسشنامه به صورت تصادفی ساده بین بیمه گذاران چهار شرکت بیمه شامل بیمه ایران، شرکت بیمه آسیا، شرکت بیمه البرز، شرکت بیمه پارسیان توزیع گردید و 384 پرسشنامه کامل دریافت شد. پس از تحلیل نتایج حاصله از روش تحلیل عاملی تاییدی، عوامل تعهد، کیفیت ادراک شده، اعتماد، ارزش ادراک شده، همدلی، تصویر برند، جذابیت گزینه های دیگر، رضایت مشتری بر وفاداری مشتریان در شرکت های بیمه ایران تاثیر داشتند و عامل هزینه جابجایی بر وفاداری مشتری تاثیر ناچیزی داشت. درنهایت مدل مورد هدف پژوهش برای پیش بینی وفاداری با 8 نورون ورودی، 110 نورون لایه میانی و 1 خروجی با سطح خطای 0.00992 و رگرسیون 0.98694 طراحی گردید.
اصالت/ارزش افزوده علمی:
برونداد این پژوهش، مدلی جهت پیش بینی وفاداری مشتریان شرکت های بیمه ای در کشور ایران فراهم می کند تا این شرکت ها بتوانند بر عواملی که منجر به حفظ وفاداری مشتریان می شود سرمایه گذاری کنند.
کلید واژگان: وفاداری مشتری, شبکه های عصبی مصنوعی, تحلیل عاملی تاییدی, شرکت های بیمه}PurposeNowadays insurance companies, same as other companies, are facing massive competition. This issue indicates the value of customer loyalty also a predictive model. Customers play a crucial role in the sustainability of organizations by constant repurchasing. Companies with loyal customers have more market share, and more money may return on investment. This article's main aim is to identify the factors affecting customer loyalty in insurance companies.
MethodologyThis research was quantitative, analytical-descriptive. In gathering information, Data was collected through the survey, and the findings are practical. In this way, two methods, Confirmatory Factor Analysis (CFA) and Artificial Neural Networks (ANN) were used. For localizing the factors extracted from other similar prior literature, first, the elements were examined by CFA with SMART PLS application due to some conflicts in the literature to evaluate whether each factor affects customer loyalty or not. Then, the elements were introduced to the ANN for training by this program.
FindingsIn this article, by using the MORGAN table, the sample size detected 384 people in 0.05 error. Questionnaires were distributed randomly between four Iranian insurance companies, ASIA insurance company, ALBORZ insurance company, and PARSIAN insurance company. Based on Confirmatory Factor Analysis, elements of commitment, perceived quality, trust, perceived value, empathy, brand image, the attraction of other alternatives, and customer satisfaction impact the customer loyalty of insurers in these companies. The cost of change, nevertheless, did not have a significant effect on customer loyalty. Then, the factors used as inputs for the multi-layer perceptron training also customer loyalty are indicated as output. The model was designed with eight inputs, 110 nodes in the hidden layer, and one output the error was E= 0.00992 and the regression = 0.98684.
Originality/Value:
the finding of this research is, expanding a model for predicting customer loyalty in Iranian insurance companies.
Keywords: customer loyalty, Artificial Neural Network, Confirmatory factors analysis, Insurance Companies} -
در شبکه های حسگر بی سیم به دلیل عوامل مختلفی از قبیل انرژی محدود، قابلیت انتقال سنسورها، خرابی سخت افزار و مشکلات شبکه مانند برخورد بسته ها، پیوند غیرقابل اطمینان و آسیب های غیر منتظره، مقدار حس شده به سرخوشه یا ایستگاه پایه نمی رسد. لذا از بین رفتن داده ها در شبکه های حسگر بی سیم بسیار متداول است. از دست دادن داده های سنجیده شده، دقت WBAN را کاهش می دهد. برای حل این مشکل، داده های گم شده باید برآورد شوند. به منظور پیش بینی مقادیر گم شده، یک مدل برآورد داده از دست رفته بر اساس شبکه عصبی LSTM (حافظه کوتاه مدت) در این مقاله ارایه شده است. این مدل پنج علامت حیاتی را به عنوان ورودی برای پیش بینی مقدار از دست رفته ترکیب می کند. نتایج نشان می دهد که sgdm-LSTM روش خوبی برای برآورد مقدار از دست رفته است. ضمنا، نتایج تجربی نشان می دهد که میانگین خطای مربع ریشه مقدار برآورد شده کمتر از سایر روش ها است. این مقدار، با بهترین ابر پارامترهای شبکه 4.1495 است.
کلید واژگان: برآورد, داده ی از دست رفته, شبکه حسگر بی سیم بدن, شبکه ی عصبی مصنوعی, یادگیری عمیق}In a wireless sensor network (WSN), due to various factors such as limited power, sensor transferability, hardware failure and network problems such as packet collisions, unreliable connection and unexpected damage, the amount sensed to the header or base station is not Arrives. Therefore, data loss is very common in wireless sensor networks. Loss of measured data greatly reduces WBAN accuracy. Because WBAN deals with the vital signs of the human body, network reliability is very important. To solve this problem, missing data must be estimated. In order to predict the missing values, a model for estimating lost data based on LSTM (short-term memory) neural network is presented in this paper. This model combines five vital signs as input to predict the amount lost. The results show that sgdm-LSTM is a good way to estimate the amount lost. In addition, experimental results show that the mean square root error of the estimated value is lower than other methods. This value is 4.1495 with the best network parameters.
Keywords: WBAN, Deep Learning, Artificial Neural Network, Missing Data, Estimation} -
انتخاب ساختار بهینه یکی از عواملی است که میتواند در عملکرد شبکه عصبی تاثیر بسزایی داشته باشد. شبکه های عصبی دارای پارامترهایی میباشند که با تغییر آنها میتوان ساختارهای مختلف ایجاد نمود. هدف این پژوهش ارایه روشی جهت تعیین ساختار بهینه است، یعنی ساختاری که عملکرد بهتری نسبت به سایر ساختارها داشته است. روش ارایه شده جهت تعیین ساختار بهینه شامل 7 گام میباشد که عبارتند از: جمعآوری داده ها، تعیین مجموعه تست و آموزش، تعیین شاخص های ارزیابی، اجرای شبکه برای ساختارهای مختلف، محاسبه شاخصها برای ساختارهای مختلف، انتخاب روش رتبه بندی و انتخاب ساختار بهینه. درصد میانگین خطای مطلق، ریشه میانگین مربعات خطا، ضریب همبستگی و زمان اجرا، شاخص هایی میباشند که به عنوان معیارهایی برای ارزیابی عملکرد ساختارها پیشنهاد شده است. در پایان روش ارایه شده در قالب یک مسئله عددی با استفاده از روش TOPSIS اجرا شده است.
کلید واژگان: شبکه های عصبی مصنوعی, رویکرد ترکیبی, انتخاب ساختار بهینه} -
در این مقاله، یک مدل جدید دو هدفه همراه با یک روش حل جدید برای ارائه به مساله تخصیص افزونگی غیرنمایی در سیستم های سری موازی با اجزای تعمیرپذیر ارائه شده است. روش پیشنهادی بر اساس بهینه سازی از طریق روش شبیه سازی و تکنیک شبکه عصبی مصنوعی است. علاوه بر این، برای واقع گرایی بیشتر، استراتژی های تخفیف برای خرید اجزاء در طول مدل سازی استفاده میشود. هدف اصلی این مدل، بیشینه سازی مینیمم مقدار متوسط زمان ماندگاری زیر سیستمها و کمینه سازی هزینه کل سیستم بوده و دارای محدودیت هایی مانند حجم کل، وزن کل، و تعداد اجزاء مجاز میباشد. برای حل این مشکل، برخی از الگوریتم های فرا ابتکاری با روش شبیه سازی ادغام شده اند. تعدادی مثال عددی برای بررسی رویکرد پیشنهاد شده انجام شد، نتایج نشان میدهد، رویکرد پیشنهادی بسیار واقعی تر از روش های پیشین است و همچنین راه حل های بهینه مطلوب به دست آمده است.
کلید واژگان: مساله تخصیص افزونگی, الگوریتم های متاهورستیک, بهینه سازی از طریق شبیه سازی, شبکه های عصبی مصنوعی} -
با استفاده از ابزارهای داده کاوی در حوزه ی تشخیص پزشکی محدودیت هایی همچون هزینه های بالای برخی از آزمایشات یا زمان بر بودن آن ها مرتفع می گردد. به علاوه، وجود خطا در برخی از آزمایشات موجب شده تا روش های دسته بندی مورد استقبال پژوهشگران قرار گیرد. در همین راستا پژوهش جاری با تکیه بر ترکیب روش های خوشه بندی و دسته بندی روش جدیدی را برای تشخیص بدخیمی سرطان سینه ارائه نموده است که در آن عمل ترکیب با استفاده از یک الگوریتم ابتکاری تکرار شونده و الگوریتم خوشه بندی انتشار وابستگی انجام می شود. این روش با استفاده از یک الگوریتم ابتکاری وزن هایی را برای متغیرها تولید نموده و براساس الگوریتم انتشار وابستگی، خوشه های موزون تشکیل می دهد. سپس شماره خوشه ها به عنوان یک متغیر جدید به داده ها افزوده شده و در مرحله ی بعد، الگوریتم دسته بند بر روی مجموعه داده ی اصلاح شده حاوی داده های اصلی و شماره ی خوشه ها اجرا می گردد. با توجه به شاخص دقت، تولید اوزان تا رسیدن به بیشترین دقت ممکن ادامه می یابد. بر طبق آزمایشات عددی انجام شده در این پژوهش، ترکیب الگوریتم خوشه بندی انتشار وابستگی با میانگین دقت 36/98 دارای بیشترین دقت بوده است. به علاوه، آزمون فرض ویلکاکسون برتری شبکه ی عصبی ترکیبی را نسبت به سایر روش ها مورد تایید قرار داده است.کلید واژگان: خوشه بندی, سرطان سینه, ماشین بردار پشتیبان, شبکه ی عصبی مصنوعی, آزمون فرض ویلکاکسون}By using data mining tools in the field of medical diagnosis, some limitations such as the high cost of some tests or their timing will be addressed. In addition, the existence of errors in some experiments has led researchers to be welcomed by categorization methods. In this regard, the present study, based on the combination of clustering and categorization methods, has proposed a new method for the diagnosis of breast cancer. In this operation, the combination is performed using an iterative algorithm and a dependency propagation clustering algorithm. This method produces weights for variables using an innovative algorithm and forms cluster clusters based on the dependency propagation algorithm. Then the number of clusters as a new variable is added to the data, and in the next step, the block algorithm is implemented on the modified dataset containing the main data and the number of clusters. According to the accuracy index, the weights production continues to reach the highest possible precision. According to the numerical experiments conducted in this study, the combination of the dependency emission clustering algorithm with an average accuracy of 36.98 was the most accurate. In addition, the Wilcoxon assumption test confirmed the superiority of the combined neural network compared to other methods.Keywords: Clustering, Breast Cancer, Dependency Propagation Algorithm, Wilcoxon Assumption Test}
-
بهبود عملکرد شبکه های عصبی مصنوعی مساله ای است که در چند سال اخیر توجه ویژه ی محققین را به خود جلب کرده است و راهکارهای متعددی با هدف کاهش خطای شبکه های عصبی ارایه گردیده است. در این پژوهش یک رویکرد ساده مبتنی بر خوشه بندی جهت بهبود عملکرد شبکه های عصبی مصنوعی ارایه شده است. در این پژوهش با استفاده از تکنیک های داده کاوی نظیر خوشه بندی سعی شده است عملکرد شبکه عصبی بهبود داده شود. معیاری که جهت ارزیابی عملکرد شبکه عصبی استفاده شده است میانگین درصد خطای مطلق می باشد. برای انجام اینکار، ابتدا کل داده ها را به چند خوشه تقسیم می نماییم و سپس ساختارهای مختلف را برای هر خوشه اجرا می کنیم و در نهایت جهت ارزیابی عملکرد هر خوشه از ساختار بهینه مربوط به آن خوشه استفاده می نماییم. جهت بررسی عملکرد رویکرد ارایه شده، اینکار برروی کل داده ها بدون انجام خوشه بندی نیز انجام شده است و نتایج نشان دادند که عملکرد شبکه عصبی بهبود قابل توجهی داشته است.کلید واژگان: شبکه های عصبی مصنوعی, داده کاوی, خوشه بندی, انتخاب ویژگی}
-
دراین مقاله برای پیش بینی خرابی و عیب یابی ماشین های تراش از یک رویکرد ترکیبی استفاده شده است. سیستم پیشنهاد شده در این مقاله شامل 2 قسمت آنالوگ و دیجیتال است، که سیستم ترکیبی نام گذاری شده است. در این مدل پیشنهادی ، بخش آنالوگ توسط شبکه های عصبی و بخش دیجیتال توسط بلوک های تصمیم گیری پایش می شود. اطلاعات مورد نیاز این مقاله مبتنی بر نشانه های خرابی های پیش آمده در طی 30 سال گذشته برای دستگاه های تراش یک کارخانه با 383 دستگاه تراش است. برای آموزش مدل پیشنهادی، از داده های شبیه سازی شده با توزیع وایبل استفاده شده است . نتایج بدست آمده نشان می دهد که سیستم ترکیبی ارائه شده می تواند با احتمال بالا و قابل توجه 5/99% خرابی های ماشین های تراش را قبل از وقوع، پیش بینی کرده، و علت آن را تشخیص دهد. ارزیابی عملکرد سیستم پیشنهادی در این مقاله، با استفاده از مثال های عددی و شاخص میانگین مربعات خطا انجام شده است.کلید واژگان: شبکه های عصبی مصنوعی, پیش بینی خرابی, مدل ترکیبی}
-
برای نرخ جفت ارز که از بانک ARIMA در این مقاله به پیش بینی نرخ جفت ارز در بازار فارکس با استفاده از شبکه عصبی و مدل می پردازیم. برای این منظور ابتدا یک مدل مرکزی تهیه شده ارائه میدهیم و با دو روش تجزیه و تحلیل باقیمادها و روش به بررسی مناسبت مدل می پردازیم، سپس با استفاده از ازمون بعد همبستگی وجود اشوب را در سری زمانی جفت ارز تایید کرده و یک مدل شبکه عصبی برای پیش بینی نرخ جفت ارز ارائه می دهیم و نتایج حاصل از دو مدل را مقایسه می کنیم.
کلید واژگان: آشوب, شبکه های عصبی مصنوعی, نرخ جفت ارز دلار, پوند, مدل ARIMA, مدل های غیر خطی} -
یافتن بهترین ترکیب عوامل کنترلی برای بهینه سازی توامان چندین متغیر پاسخ که اکثرا با یکدیگر در تضادند، یکی از مهم ترین نیازهای مسائل صنعتی است. روش معمول برای حل این گونه مسائل استفاده از رگرسیون چندجمله یی برای شناسایی روابط بین عوامل کنترلی و متغیرهای پاسخ است، در حالی که شبکه ی عصبی مصنوعی در حالاتی که این روابط پیچیده باشد قابلیت مناسب تری از خود نشان می دهند. در این نوشتار، برخلاف حالت های به کار برده شده، متغیرهای پاسخ به عنوان ورودی و عوامل کنترلی به عنوان خروجی شبکه ی عصبی مصنوعی در نظر گرفته شده اند تا با ترکیب شبکه ی عصبی مصنوعی، تکنیک محدودیت جزئیپانویس (varepsilon-constraint) و الگوریتم ژنتیک بتوان ترکیبات غیرمسلط کارایی در مسئله ی چندپاسخه ارائه داد. قابلیت روش ارائه شده در قالب مثال عددی بیان شده است که نشان دهنده ی کارایی روش پیشنهادی نسبت به سایر رویکردهای موجود است.
کلید واژگان: مسئله ی چندپاسخه, جواب غیرمسلط, شبکه ی عصبی مصنوعی, محدودیت جزئی, الگوریتم ژنتیک}Simultaneous optimization of multiple response problems is an important problem in manufacturing cases. Polynomial regression is a common method for finding the relationship between controllable factors and responses. Some researchers have showed that artificial neural networks have better performance when the relationships are far too complex. In the multiple response problems, determination of non-dominated solutions is more valuable than finding only one solution as an optimum treatment, while this solution is one of the obtained non-dominated solutions. Unlike other existing research into using neural networks for multiple response problems, in the proposed method, responses are assumed as inputs, and controllable factors are assumed as targets of the neural network. This kind of input and target definition for neural networks helps us to determine non-dominated solutions by employing a neural network, an epsilon constraint technique and a genetic algorithm. The proposed method includes three major steps: 1) modeling the relation between responses and controllable factors by employing a neural network, 2) finding non-dominated solutions using an epsilon constraint and a genetic algorithm, 3) sieving solutions obtained from the last step and determining strong non-dominated solutions. For showing the efficiency of the proposed method, non-dominated solutions for a numerical example from the literature are determined by using the proposed approach. Comparing the results shows that obtained non-dominated solutions obtained by the proposed method for the example, are often better than other research results for the same example.
Keywords: Multiple response optimization, non-dominated solutions, artificial neural networks, epsilon constraint, genetic algorithm} -
دنیای امروز شاهد رقابت فشرده سازمان ها درحوزه های متنوع است و تصمیم گیری صحیح و بهینه،بخصوص در امور راهبردی مزیت رقابتی را برای هر سازمان به ارمغان می آورد. در این مقاله، مدلی برای یاری مدیران ارشد سازمان در اتخاذ تصمیمات راهبردی توسعه داده شده است. این مدل با استفاده از ترکیب رویکرد تصمیم گیری چندمعیاره فازی و شبکه عصبی مصنوعی ارائه شده و امکان شناسایی بهترین سبد محصولات برای سرمایه گذاری را برای مدیران ارشد و بدون دخالت مستقیم آنان در تصمیم گیری، فراهم می آورد. در مدل پیشنهادی، اولویت بندیمحصولات بر اساس معیارهای مورد نظر سازمان انجام می گیرد، به این نحو که ابتدا از داده های سالیان گذشته و با استفاده از فرآیند تحلیل سلسه مراتبی فازی، ارزش یا وزنی اولیه برای هر یک از معیارهای انتخاب کالا و هر یک از محصولات کاندید محاسبه می شود. از آنجایی که اوزان به دست آمده لزوما بهینه و یا نزدیک به بهینه نیستند، در گام پایانی، شبکه عصبی مصنوعی به کار گرفته شده است تا با اعمال فرآیند یادگیری و با بهره گیری از نتایج به دست آمده، از فرآیند تحلیل سلسله مراتبی، مقادیر وزن ها بیش از پیش بهبود یافته و جواب قابل قبول تری توسط مدل ارائه شود. مدل پیشنهادی به صورت مطالعه موردی در یک سازمان دارویی نمونه مورد بررسی قرار گرفته است و مقایسه خروجی آن با نتایج واقعی سرمایه گذاری انجام شده توسط سازمان، حکایت از ارائه نتایج قابل قبول توسط مدل توسعه یافته در این مقاله دارد.
کلید واژگان: سبد محصولات, تصمیم گیری چندمعیاره, منطق فازی, فرآیند تحلیل سلسله مراتبی, شبکه های عصبی مصنوعی}In today’s business competitive world, decision makers of companies try to employ standard, efficient, theoretical and operational proven methods as a competitive advantage for making their critical strategic business decisions in order to survive in their industry. In this paper, a hybrid model based on Fuzzy Analytic Hierarchy Process (FAHP) and Artificial Neural Network (ANN) is presented. This model can be used as a Decision Support System (DSS) to capture and represent the decision makers’ preferences, without their direct or interference, in order to represent them the ability to select the best product among candidates. The priority of products is determined by the factors elicited from interviews and surveys. Firstly, the weight of each factor is determined by the means of FAHP technic. Then, the priority of products will be determined by weighing each of them with respect to the factors. But, the output of FAHP is just a possible answer. The topology of the neural network model is developed to train the model and give the decision makers the best possible answer. In fact, neural network is used to learn the relation among criteria and alternatives and rank the alternatives. A method based on AHP is developed and used as the MCDM method, and Multi level perceptron is used as our selected kind of artificial neural network. A case study is discussed and developed through the paper. The comparison of the real investment data of the studying case and the results of the model proves the effectiveness of the proposed model.
Keywords: Product candidates, Multi criteria decision making, fuzzy logic, Analytic Hierarchy Process, Artificial neural network} -
روش های هوش محاسباتی، همچون شبکه های عصبی مصنوعی و منطق فازی، به عنوان ابزاری محبوب به منظور پیش بینی بازارهای پیچیده ی مالی معرفی شده اند. دقت پیش بینی ها ازجمله مهم ترین مشخصه های مدل های پیش بینی است و تلاش برای بهبود بخشیدن کارایی مدل های سری های زمانی هرگز متوقف نشده است. امروزه علی رغم روش های متعدد پیش بینی سری های زمانی که در چند دهه ی اخیر پیشنهاد شده اند، هنوز پیش بینی نرخ های ارز، کار بسیار دشواری محسوب می شود. در این مطالعه، مدل ترکیبی جدیدی از شبکه های عصبی مصنوعی براساس مفاهیم پایه یی منطق و مجموعه های فازی، به منظور حصول نتایج دقیق تر در موقعیت هایی با دوره های کوتاه تری از زمان ارائه شده است. نتایج حاصله در پیش بینی نرخ ارز بیانگر کارآیی روش مذکور در پیش بینی نرخ ارز نسبت به مدل های تشکیل دهنده ی خود است.
کلید واژگان: شبکه های عصبی مصنوعی, رگرسیون فازی, مدل های ترکیبی, پیش بینی سری های زمانی, نرخ ارز}Time series forecasting is an active research area that has drawn considerable attention for applications in a variety of areas. With the time series approach to forecasting, historical observations of the same variable are analyzed to develop a model describing the underlying relationship. Then, the established model is used in order to extrapolate the time series into the future. Improving forecasting, especially accurate time series forecasting, is an important yet often dicult task facing decision makers in many areas. Computational intelligence approaches, such as arti cial neural networks (ANNs) and fuzzy logic, have gradually established themselves as popular tools for forecasting complicated nancial markets. Fuzzy is one of the most important soft computing tools, which can provide a powerful framework in order to cope with vague or ambiguous problems, and can express linguistic values and human subjective judgments of natural language. Arti cial neural networks are exible computing frameworks and universal approximators that can be applied to a wide range of forecasting problems with a high degree of accuracy. The major advantage of neural networks is their exible nonlinear modeling capability. With ANNs, there is no need to specify a particular model form. Rather, the model is adaptively formed based on the features presented in the data. This datadriven approach is suitable for many empirical data sets, where no theoretical guidance is available to suggest an appropriate data generating process. Despite the advantages cited for them, ANNs have weaknesses, one of the most important of which is their requirement of large amounts of data in order to yield accurate results. Both theoretical and empirical ndings have indicated that integration of di erent models can be an e ective way of improving upon their predictive performance and also overcoming the limitations of single models, especially when the models in combination are quite di erent. In this paper, a new hybrid model of arti cial neural networks is proposed based on the basic concepts of fuzzy logic, in order to overcome the data restriction of neural networks and yield more accurate results than traditional ANNs in situations of short time spans. In the proposed model, instead of using crisp parameters in each layer, fuzzy parameters in the form of triangular fuzzy numbers are applied for related parameters of these layers. In this way, the proposed model can search the feasible spaces easily and more eciently for nding the optimum values of parameters. The empirical results of exchange rate forecasting indicate that the hybrid model is more satisfactory than its components, i.e, arti cial neural networks and fuzzy regression models.Keywords: Artificial neural networks (anns), fuzzy regression, time series forecasting, combined forecasts, exchange rate} -
در این مقاله، یک رویکرد جدید مدل سازی برای مدل های شبکه عصبی مصنوعی بر مبنای مفاهیم شبکه های عصبی و رگرسیون فازی ارائه شده است. به این منظور، مدل شبکه عصبی مصنوعی در قالب یک مدل رگرسیون غیرخطی فازی فرموله شده است، به نحوی که این مدل، مزایای هر دو مدل رگرسیون فازی و شبکه عصبی مصنوعی را دارد. بنابراین، این مدل به دلیل انعطاف پذیری بالا، قابلیت استفاده در شرایط نبود قطعیت، مبهم یا پیجیده را دارد. علاوه بر این، مطالعه موردی پیش بینی قیمت گاز مایع در بازار ژاپن (بزرگ ترین وارد کننده گاز طبیعی جهان) برای نشان دادن نحوه استفاده از این رویکرد ارائه شده است. نتایج به دست آمده نشان می دهد که قدرت پیش بینی مدل ارائه شده قابل قبول است. علاوه بر این، در شرایط غیرقطعی و پیچیده می تواند بر خلاف مدل های شبکه عصبی، اطلاعات شفافی از روابط موجود بین متغیرهای ورودی و پاسخ مدل به تصیم گیرنده ارائه دهد.
کلید واژگان: شبکه های عصبی مصنوعی, رگرسیون فازی, مدل سازی قیمت گاز طبیعی}In this paper، a new approach of modeling for Artificial Neural Networks (ANN) models based on the concepts of ANN and fuzzy regression is proposed. For this purpose، we reformulated ANN model as a fuzzy nonlinear regression model while it has advantages of both fuzzy regression and ANN models. Hence، it can be applied to uncertain، ambiguous، or complex environments due to its flexibility. In addition، the case study is brought in order to clearly show the way this approach could be utilized. The price of the liquid gas in Japan’s market (the world’s largest natural gas importer) is investigated based on the proposed approach. Based on the results، it is concluded that the performance of proposed model is acceptable; moreover، it can be deal with uncertain and complex environments as a clear box model.Keywords: Artificial neural networks (ANNs), Fuzzy regression, Modeling, Natural gas price} -
طراحی یک مدل شبکه عصبی مصنوعی با استفاده از اطلاعات حفاظت کاتدی مخازن تگهداری روزمینی
- نتایج بر اساس تاریخ انتشار مرتب شده‌اند.
- کلیدواژه مورد نظر شما تنها در فیلد کلیدواژگان مقالات جستجو شده‌است. به منظور حذف نتایج غیر مرتبط، جستجو تنها در مقالات مجلاتی انجام شده که با مجله ماخذ هم موضوع هستند.
- در صورتی که می‌خواهید جستجو را در همه موضوعات و با شرایط دیگر تکرار کنید به صفحه جستجوی پیشرفته مجلات مراجعه کنید.
©2000-2024 magiran.com All Rights Reserved.