-
هسته ی یک پروفایلICC مبتنی بر جدول، جدولی است که در آن یک شبکه ی منظم از رنگ های مستقل از دستگاه و ارتباط آنها با فضای رنگ وابسته به دستگاه چاپگر موجود می باشد. روش های مختلفی برای تخمین این روابط وجود دارد. در مقاله ی حاضر، یک شبکه ی عصبی و تئوری تجزیه ی طیفی ایجاد شده است. نتایج، نشان می دهد که ترکیب شبکه ی عصبی با روش های عادی ایجاد پروفایل های مبتنی بر جدول، می تواند باعث بهبود قدرت پیش گویی شود.
کلید واژگان: شبکه ی عصبی, تئوری تجزیه ی طیفی, مدیریت رنگ, محرک پایه ی رنگ, پروفایل, جدول فهرستیThe core of ICC profile is a look up table (LUT) which maps a regular grid of device-independent colors and converts it into the color space of the printer. There are various methods to estimate such values. In the present investigation use is made of an artificial neural network by the aid of the fundamental color stimulus. The result shows that their combination of neural network with the usual methods of profile making enhances the prediction.Keywords: Neural Network, Spectral Theory, Color management, Fundamental Color Stimuli, Profile -
بازشناسی احساسات از روی گفتار با توجه به کاربردهای متنوع آن امروزه مورد توجه بسیاری از محققان قرار گرفته است. با پیشرفت روش های آموزش شبکه های عصبی عمیق وگسترش استفاده از آن در کاربردهای مختلف، در این مقاله کاربرد شبکه های کانولوشنی و ترنسفورمر در یک ترکیب جدید در بازشناسی احساسات گفتاری مورد بررسی قرار گرفته که از لحاظ پیاده سازی نسبت به روش های موجود ساده تر بوده و عملکرد مطلوبی نیز دارد. برای این منظور شبکه های عصبی کانولوشنی و ترنسفورمر پایه معرفی شده و سپس مبتنی بر آنها یک مدل جدید حاصل از ترکیب شبکه های کانولوشنی و ترنسفورمر ارایه شده که در آن خروجی مدل کانولوشنی پایه ورودی مدل ترنسفورمر پایه است. نتایج حاصل نشان می دهد که استفاده از شبکه های عصبی ترنسفورمر در بازشناسی بعضی از حالت های احساسی عملکرد بهتری نسبت به روش کانولوشنی دارد. همچنین در این مقاله نشان داده شده که استفاده از شبکه های عصبی ساده به صورت ترکیبی عملکرد بهتری در بازشناسی احساسات از روی گفتار می تواند داشته باشد. در این رابطه بازشناسی احساسات گفتاری با استفاده از ترکیب شبکه های عصبی کانولوشنی و ترنسفورمر با نام کانولوشنال-ترنسفورمر (CTF) برای دادگان راودس دقتی برابر 94/80 درصد به دست آورد؛ در حالی که یک شبکه عصبی کانولوشنی ساده دقتی در حدود 7/72 درصد به دست آورد. همچنین ترکیب شبکه های عصبی ساده علاوه بر اینکه می تواند دقت بازشناسی را افزایش دهد، می تواند زمان آموزش و نیاز به نمونه های آموزشی برچسب دار را نیز کاهش دهد.کلید واژگان: بازشناسی احساسات, پردازش سیگنال گفتار, شبکه های عصبی عمیق, طبقه بندیSpeech emotions recognition due to its various applications has been considered by many researchers in recent years. With the extension of deep neural network training methods and their widespread usage in various applications. In this paper, the application of convolutional and transformer networks in a new combination in the recognition of speech emotions has been investigated, which is easier to implement than existing methods and has a good performance. For this purpose, basic convolutional neural networks and transformers are introduced and then based on them a new model resulting from the combination of convolutional networks and transformers is presented in which the output of the basic convolutional network is the input of the basic transformer network. The results show that the use of transformer neural networks in recognizing some emotional categories performs better than the convolutional neural network-based method. This paper also shows that the use of simple neural networks in combination can have a better performance in recognizing emotions through speech. In this regard, recognition of speech emotions using a combination of convolutional neural networks and a transformer called convolutional-transformer (CTF) for RAVDESS dataset achieved an accuracy of %80.94; while a simple convolutional neural network achieved an accuracy of about %72.7. The combination of simple neural networks can not only increase recognition accuracy but also reduce training time and the need for labeled training samples.Keywords: Classification, Deep neural networks, emotion recognition, Speech Signal Processing
-
هدف کلی این پژوهش ایجاد ابزار پیش بینی مناسب جهت قیمت گذاری عرضه های عمومی اولیه بوسیله شبکه های عصبی و الگوریتم ژنتیک است. چارچوب نظری این مطالعه بر اساس نظریه عدم تقارن اطلاعاتی می باشد. اگرچه ادبیات قیمت گذاری عرضه های عمومی اولیه، گستره ی وسیعی از علایم ممکن را معرفی می کند، تعداد کمی از این علایم، تاثیر بااهمیتی بر کارایی پیش بینی دارند. نتایج پژوهش نشان می دهد ترکیب شبکه های عصبی با الگوریتم ژنتیک به منظور انتخاب متغیرهای بهینه، قدرت پیش بینی را به طور محسوسی افزایش می دهد.
کلید واژگان: الگوریتم ژنتیک, شبکه های عصبی مصنوعی, قیمت گذاری, عرضه های عمومی اولیهThe article set out to create useful predicting tool for pricing initial public offerings through combining neural networks and genetic algorithm. The theoretical framework of this study is information asymmetry theory. Although the literature of pricing initial public offerings introduces variety of possible signals, a few of them have considerable effect on efficiency of predicting. The results show that combining neural networks and genetic algorithm in order to selecting the best variables improves considerably the forecasting power. -
نشریه حسابداری مالی، پیاپی 39 (پاییز 1397)، صص 82 -110شناخت کیفیت سود برای استفاده کنندگان از اطلاعات حسابداری به دلیل ارزیابی عملکرد، پیش بینی سودآوری و تعیین ارزش واقعی شرکت ها بسیار حائز اهمیت است. هدف از این پژوهش بررسی دقت پیشبینی مدیریت سود با استفاده از شبکههای عصبی (ANN) و الگوریتم کلونی مورچگان (ACO) و مقایسه آن با مدل خطی (LR) است. برای این منظور از 28 متغیر تاثیرگذار بر مدیریت سود در قالب چهار گروه (مالی، مدیریتی، شرکتی و حسابرسی) در طی سال های 1390 الی 1395 در 124 شرکت پذیرفته شده بورس اوراق بهادار تهران استفاده گردید. نتایج کلی حاصل از این پژوهش نشان داد که روش شبکه ی عصبی مصنوعی و الگوریتم کلونی مورچگان در پیش بینی مدیریت سود نسبت به روش خطی دقیق تر و دارای سطح خطای کمتری است. همچنین دقت ترکیب الگوریتم کلونی مورچگان با شبکه ی عصبی (A-ANN) حاکی از برتری این الگو در قیاس با الگوی شبکه عصبی مصنوعی است. نتایج ترکیب شبکه ی عصبی مصنوعی الگوریتم کلونی مورچگان با ضریب همبستگی (878/0) نشان داد این الگو با شش متغیر دقت پیش بینی، سهم مالکیت سهامداران عمده، سودآوری، نوسانات سود، سن شرکت و اندازه شرکت توانایی پیش بینی مدیریت سود را با دقت 97 درصد دارد.کلید واژگان: مدیریت سود, شبکه های عصبی مصنوعی, الگوریتم کلونی مورچگانUndrestanding the quality of profits for users of accounting information is very important because of performance appraisal, profitability forecasting, and the determination of corporate value. The purpose of this study is to examine the accuracy of forecasting earnings management using Artificial Neural Networks (ANN) and cluster Ant Colony Optimization (ACO) algorithms and compare it with linear models (LR). For this purpose, 28 variabels that affect the management of earnings in four groups (Financial, Managerial, Corporate and Auditing) have been accepted in 124 companies during the years 2010 to 2016 and were used Tehran Stock Exchange. The overall results of this study shows that artificial neural network and ant colony optimization algorithm in predicting profit management is more accurate than linear method with less error rate. Also, the accuracy of artificial neural network composition and ant colony algorithm(A-ANN), suggests the superiority of this pattern compared to artificial neural network method. The results of the combination of artificial neural network- ant colony optimization algorithm with correlation coefficient (0/878) shows that this model has the ability to predict management with 97 percent accurancy with six predictive variables, accurancy of forecasting, sharehlding of maior shareholders, profitability, fluctuations in profit, company’s age and size.Keywords: Earnings Management, Artificaial Neural Network, Ant Colony Optimization.
-
پس از تجدید ساختار بازار برق، مطالعات بسیاری به منظور افزایش کارایی سیستم قدرت و سوددهی سرمایه گذاران، به ویژه در بحث طراحی سیستم های جدید و قیمت انرژی انجام شد. سود سرمایه گذاری می تواند با بستن قراردادهای بهتر یا پیشنهاددهی قیمت مناسب برای خریدوفروش انرژی الکتریکی افزایش یابد. به طوری که برای رسیدن به این موارد باید قیمت برق به طور دقیق پیش بینی شود. هدف اصلی این پژوهش، پیش بینی قیمت برق در بازار ایران به کمک ترکیب شبکه های عصبی-فازی با الگوریتم بهینه ازدحام ذرات است. در این پژوهش، قیمت های گذشته، بار گذشته، بار پیش بینی شده، روزهای کاری و غیرکاری، ساعات روز و تمییز فصول سال 1394 مهم ترین فاکتورهای تاثیرگذار در پیش بینی به شمار می آیند. مدل ترکیبی از روش های ARIMA، شبکه عصبی شعاعی پایه، شبکه عصبی-فازی و ترکیب شبکه عصبی-فازی با الگوریتم ژنتیک دقت بالاتری دارد. در ادامه مقاله، برای بهبود و افزایش دقت پیش بینی، به پردازش نوسانات قیمت پرداخته شد. نتایج شبیه سازی نشان می دهد پیش بینی قیمت برق با استفاده از روش پردازش قیمت، دقت بهتری دارد.کلید واژگان: الگوریتم ازدحام ذرات, پیش بینی, جهش های قیمت, شبکه های عصبی-فازیAfter deregulation in electricity markets, huge amount of studies were done especially in designing new systems and energy pricing in order to improve efficiency of power systems and increase investors’ profit. Investment’s profit could be increased by better contracts and better price bidding for buying and selling energy in electricity market, as a consequence price forecasting is essential. The main goal of this paper is to predict price of electricity in Iran’s electricity market, using combined of fuzzy-neural network with Particle Swarm Optimization (PSO). In this paper, past prices, past loads, working and nonworking days, day hours and effect of seasons in 1394 have been taken into account as effective factors in forecasting mechanism. Combined model, is more precise in contrast to other methods like ARIMA,neural network, neural-fuzzy network and combination of fuzzy-neural with genetic algorithm. In following, process of price fluctuations has discussed for improving and increasing effectiveness of bidding. Results of simulation revealed that price forecasting is much more precise with price process mechanism.Keywords: Forecasting price of electricity, neural, fuzzy network, particle swarm optimization
-
هدف این پژوهش استفاده از توانایی هوش مصنوعی جهت تخمین خواص سیالات مخزن با دقت بیشتر نسبت به روش های تجربی است که کارآیی کمی دارند. بدین منظور پس از جمع آوری و سازمان دهی داده های مربوط به 36 نمونه آزمایش PVT3 که طی 56 سال تولید از مخزن انجام شده بود، جهت پیش بینی ضریب حجمی نفت سازندی، یک بار از شبکه ی عصبی مصنوعی و بار دیگر از تلفیقی از شبکه ی عصبی مصنوعی و الگوریتم ژنتیک استفاده گردید. از آنجا که Rsb4 تابعی از وزن مخصوص گاز، API نفت، دمای مخزن و فشار نقطه ی حباب است به عنوان داده های لایه ی ورودی استفاده شد. همان گونه که در ادامه مشاهده خواهد شد نتایج نشان می دهند که شبکه های عصبی نسبت به روابط تجربی که بر اساس داده های محلی خاص مناطق مختلف به دست آمده اند از دقت بسیار خوبی برای تخمین خواص سیالات مخزن برخوردارند. همچنین ترکیب شبکه ی عصبی مصنوعی با الگوریتم ژنتیک بسیار مفید بود؛ چراکه سبب افزایش بسیار زیاد سرعت همگرایی به سمت مدل دقیق و پایداری شبکه ی عصبی شد. شبکه ی عصبی مصنوعی طراحی شده میانگین انحراف نسبی حدود 8/1 درصدی را نشان می دهد.کلید واژگان: هوش مصنوعی, خواص سیالات مخزن, شبکه ی عصبی مصنوعی, الگوریتم ژنتیک, نسبت گاز محلول به نفت در نقطه ی حباب
-
مقدمهغده تیروئید نسبت به غده های دیگر بدن بیشتر دچار مشکل میشود و در صورت عدم تشخیص به موقع بی نظمی های تیروئید، بیمار دچار حمله تیروئیدی و یا کمای میگزدم شده که ممکن است منجر به مرگ گردد. از این رو تشخیص بینظمی های تیروئید (پرکاری یا کمکاری) بر پایه تستهای آزمایشگاهی و کلینیکی امری ضروری است. هدف از این پژوهش ارائه مدلی مبتنی بر تکنیک داده کاوی است که قابلیت پیشبینی بیماری تیروئید از نظر کمکاری و پرکاری را داشته باشد.روشاین مطالعه از نوع توصیفی-تحلیلی بوده و پایگاه داده آن شامل 7200 رکورد مستقل مبتنی بر 21 ریسک فاکتور و برگرفته شده از مرجع داده UCI میباشد که از این تعداد 70 % نمونه ها جهت آموزش و 30 % آن ها جهت آزمون استفاده شده است. این پژوهش ابتدا به بررسی عملکرد شبکه های عصبی ، به منظور تشخیص بیماری تیروئید پرداخته و سپس به ارائه الگوریتمی به نام ترکیب شبکه های عصبی به روش سلسله مراتبی می پردازد.نتایجپس از مدل سازی و مقایسه مدلهای تولید شده و ثبت نتایج دقت پیش بینی بیماری تیروئید با استفاده از روش شبکه عصبی 6/96% و روش سلسله مراتبی 100 % به دست آمد.نتیجه گیریکاهش خطای تشخیص بیماری تیروئید همواره یکی از اهداف محققین بوده است. استفاده از روشهای مبتنی بر داده کاوی میتواند به کاهش این خطا کمک کند. این مطالعه ضمن تشخیص بیماری تیروئید به کمک شبکه های عصبی، نشان می دهد که ارائه روش قوی تری به نام ترکیب شبکه های عصبی به صورت سلسله مراتبی منجر به بهبود دقت تشخیص می شود.کلید واژگان: شبکه عصبی مصنوعی, شبکه MLP, ترکیب شبکه های عصبی, تشخیص بیماری تیروئیدی, تشخیص نوع تیروئیدIntroductionProblems in thyroid gland are more common than in other glands of human body, and if they are not diagnosed early, thyroid storm or myxedema coma is likely to happen that might lead to death; therefore, on-time diagnosis of thyroid disorders (Hypothyroidism or hyperthyroidism) based on Laboratory and clinical tests is necessary. The main object of this research was to present a model based on data mining techniques that is capable of predicting thyroid diseases.MethodsThis study was a descriptive-analytic study and its database included 7200 independent records based on 21 risk factors derived from UCI data reference. From all records, 70% were used for training and 30% for testing. First, neural networks performance was reviewed in order to diagnose thyroid diseases, and then an algorithm for combination of neural networks through hierarchical method was presented.ResultsAfter modeling and comparing the generated models and recording the results, accuracies of predicting thyroid disorders using neural network and hierarchical method were found to be 96.6% and 100% respectively.ConclusionReducing misdiagnosis of thyroid diseases has always been one of the most important aims of researchers. Using methods based on data mining can decrease these errors. This study showed that using combination of neural networks through hierarchical method improves diagnosis accuracy.Keywords: Artificial neural network, MLP network, Combination of neural networks, Thyroid diagnosis
-
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 ژنتیکSimultaneous 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 -
پیش بینی نوسان یکی از مسایل بسیار مهم در بازارهای مالی است که توجه بسیاری از پژوهشگران دانشگاهی و کارشناسان این حوزه را در چند دهه ی گذشته به خود جلب کرده است. در پژوهش حاضر با توجه به این ضرورت، به بررسی مدلسازی و پیش بینی نوسان بازار سهام با استفاده از ترکیب شبکه های عصبی مصنوعی و الگوهای واریانس شرطی پرداخته می شود. در این تحقیق از شبکه های عصبی پرسپترون چند لایه (MLP) ، مدل های ناهمسانی واریانس شرطی (ARCH) و الگوی خود رگرسیو واریانس شرطی GARCH (P,Q)استفاده شده است . جامعه آماری تحقیق ، شاخص بورس تهران برای دوره زمانی فروردین سال 1387 تا فروردین سال 1397 می باشد . تحقیق به دنبال رد یا تایید این فرضیه است که "استفاده ازالگوی ترکیب شبکه عصبی مصنوعی و مدل های واریانس شرطی دقت پیش بینی نوسان بازار سهام در بورس اوراق بهادار تهران را نسبت به الگوی وریانس شرطی افزایش می دهد" . نتایج بدست آمده ، صحت فرضیه فوق را تایید می نماید .
کلید واژگان: نوسانات بازار سهام, شبکه های عصبی, الگوهای واریانس شرطیModeling and predicting stock market volatility using neural network and conditional variance patterns The fluctuation forecast is one of the most important issues in the financial markets, which attracted the attention of many academic researchers and experts in the field over the past few decades. In this study, considering this necessity, we examine the modeling and prediction of stock market volatility using the combination of artificial neural networks and conditional variance patterns. In this research, multi-layer perceptron nerve networks (MLP), conditional variance heterogeneity models (ARCH) and self-regression model and conditional variance (GARCH) (P, Q) have been used. The statistical population of the study is the Tehran Stock Exchange index for the period of April 2008 to April 2018 . The research seeks to reject or confirm the hypothesis that "the use of an artificial neural network and conditional variance models increases the accuracy of the forecast of stock market fluctuations in the Tehran Stock Exchange relative to the conditional variance model" . The results, confirm the validity of the above hypothesis.
Keywords: Stock market volatility, Neural Networks, Conditional variance patterns -
در این مقاله از ترکیب شبکه های عصبی موجک سه لایه (WNNs) به همراه الگوریتم آموزش بروش بهنیه سازی انبوه ذرات هیبرید (PSO-BP) جهت مدل سازی تغییرات زمانی-مکانی محتوای الکترون کلی (TEC) یونوسفر در منطقه شمالغرب ایران (N-W) استفاده شده است. مشاهدات 30 روز ماه ژانویه سال 2018 جهت ارزیابی روش پیشنهادی بکار گرفته شده است. تعداد مشاهدات ورودی انتخاب شده جهت آموزش شبکه عصبی موجک سه لایه با الگوریتم آموزش PSO-BP بترتیب 20 و 10 ایستگاه از شبکه محلی آذربایجان می باشند. در هر 2 حالت تعداد 3 ایستگاه با توزیع مناسب به عنوان ایستگاه های آزمون در نظر گرفته شده اند. شاخص های آماری خطای نسبی، خطای |dVTEC|، انحراف معیار و ضریب همبستگی جهت ارزیابی مدل شبکه عصبی موجک مورد استفاده قرار گرفته است. نتایج حاصل از مدل پیشنهادی این مقاله با TEC حاصل از مشاهدات GPS به عنوان مرجع اصلی، مدل مرجع جهانی یونوسفر 2016 (IRI2016) و همچنین خروجی شبکه جهانی IGS (GIM) مقایسه شده است.
کلید واژگان: TEC, شبکه عصبی موجک, الگوریتم آموزش PSO-BP, GPS, IRI2016, GIMIn this paper, WNN with PSO training algorithm is used to modeling and prediction of time-dependent ionosphere total electron content (TEC) variations. 2 different combinations of input observations are evaluated. The number of stations used to train of WNN with PSO algorithm selected 20 and 10. In all testing mode, 3 GPS stations with proper distribution are considered as a testing stations. Statistical indicators relative error, dVTEC and correlation coefficient were used to assess the wavelet neural network model. The results of proposed model compared with GPS-TEC and international reference ionosphere 2012 (IRI-2012) TEC. Average relative error computed in 3 test stations are 5.43% with 20 training station and 9.05% with 10 training station. Also the correlation coefficient calculated in 3 test stations are 0.954 with 20 training station and 0.907 with 10 training station. The results of this study show that the WNN with PSO algorithm is a reliable model to predict the temporal variations in the ionosphere.
Keywords: TEC, WNN, PSO, GPS, IRI-2016
-
از آنجا که گزینه «جستجوی دقیق» غیرفعال است همه کلمات به تنهایی جستجو و سپس با الگوهای استاندارد، رتبه‌ای بر حسب کلمات مورد نظر شما به هر نتیجه اختصاص داده شده‌است.
- نتایج بر اساس میزان ارتباط مرتب شده‌اند و انتظار می‌رود نتایج اولیه به موضوع مورد نظر شما بیشتر نزدیک باشند. تغییر ترتیب نمایش به تاریخ در جستجوی چندکلمه چندان کاربردی نیست!
- جستجوی عادی ابزار ساده‌ای است تا با درج هر کلمه یا عبارت، مرتبط ترین مطلب به شما نمایش داده‌شود. اگر هر شرطی برای جستجوی خود در نظر دارید لازم است از جستجوی پیشرفته استفاده کنید. برای نمونه اگر به دنبال نوشته‌های نویسنده خاصی هستید، یا می‌خواهید کلمات فقط در عنوان مطلب جستجو شود یا دوره زمانی خاصی مدنظر شماست حتما از جستجوی پیشرفته استفاده کنید تا نتایج مطلوب را ببینید.
* ممکن است برخی از فیلترهای زیر دربردارنده هیچ نتیجه‌ای نباشند.
-
معتبرحذف فیلتر
©2000-2025 magiran.com All Rights Reserved.