سیستم خبره فازی عصبی برای تشخیص (ترجمه)…

چکیده

منطق فازی، یک شبکه عصبی و سیستم خبره است که برای ایجاد یک سیستم تشخیصی ترکیبی با یکدیگر ترکیب شده اند. با استفاده از چنین سیستمی ما یک روش جدید برای فراگیری مبانی دانش استفاده می کنیم. سیستم ما شامل یک سیستم خبره فازی همراه با یک بیس دانشی با منبع دوگانه است. دو سری قوانین لازم هستند، که به صورت استنباطی از مثالهای ارائه شده و به صورت استقرایی توسط فیزیک دانان بدست آمده اند. یک شبکه عصبی فازی سعی می کند که از داده های نمونه یاد گرفته و این اجازه را می دهد که قوانین فازی برای دانش پایه را استخراج کنیم. تشخیص electroencephalograms با تفسیر عناصر نموداری بعنوان یک نوع مشاهده در روش ما بکار گرفته می شود. نتایج اولیه نشان دهنده احتمالات مورد نظر با استفاده از روش ما می باشد.

مقدمه:

روشهای تکراری شناسایی و ارزیابی پدیده خاص را کار تشخیصی می نامند، که یکی از کاربردهای اصلی برای هوش مصنوعی (AI) می باشد. با توجه به اینکه رنج وسیعی از چنین کاربرهای تشخیصی وجود دارد. اگرچه رنج وسیعی از چنین کاربردهای تشخیصی در پزشکی وجود دارد ولی این بخش مورد توجه استفاده کنندگام از هوش مصنوعی قرار دارد. عمومی ترین روشهای AI در بخش پزشکی مبتنی بر دانش و مدلسازی رفتار تشخیصی متخصصان است. انواع مختلفی از چنین سیستمهای خبره ای از زمانی که Shrtlifee روش Shrtlifee Mycin را بi عنوان یک سیستم خبره برای تشخیص آسیبهای خونی انسان طراحی و معرفی کرد، بوسیله پزشکان مورد استفاده قرار گرفته است. یکی از بزرگترین مشکلات بر سر راه طراحی یک سیستم خبره مناسب، گردآوری و دانش پایه آن است. ما روش جدیدی را معرفی می کنیم که در آن دانش پایه با منبع دوگانه بوسیله یادگیری قیاسی واستقرایی ایجاد می شود. شیکه های عصبی نیز از این راه برای تشخیص استفاده می کنند. آنها قادرند رابطه بین مجموعه داده ها را با داشتن اطلاعات نمونه که نشان دهنده لایه های ورودی و خروجی آنها است، یاد بگیرند.

تجزیه و تحلیل الگوریتم بهینه سازی ازدحام ذرات (PSO)…

چکیده

بسیاری از مسائل علمی، مهندسی و اقتصادی شامل بهینه سازی مجموعه ای از پارامترها می باشد. این مسائل شامل نمونه هایی همچون به حداقل رسانی اتلاف در شبکه برق با یافتن تنظیمات بهینه بخش ها، یا تقویت شبکه عصبی برای تشخیص تصویر چهره افراد می باشد. الگوهای بهینه سازی بیشماری مطرح شده اند تا به حل این مشکلات، با درجلت مختلفی از موفقیت بپردازند. بهینه سازی ازدحام ذرات (PSO) تکنیک نسبتا جدیدی می باشد که به صورت تجربی نشان داده شده است که دارای عملکرد خوبی بر روی بسیاری از این مسائل بهینه سازی می باشد. این مقاله مدل نظری را ارائه می دهد که می تواند برای شرح رفتار بلندمدت الگوریتم مورد استفاده قرار گیرد. نسخه پیشرفته بهینه کننده ازدحام ذرات ایجاد شده و نشان داده شده که دارای همگرایی تضمین شده ای بر روی سطح محلی می باشد.این الگوریتم رو به توسعه بوده، که منجر به الگوریتم هایی با همگرایی تضمین شده در سطح جهانی شده است. مدلی برای ایجاد الگوریتم های PSO مشترک ایجاد شده است، که منتهی به معرفی دو الگوریتم مبتنی بر PSO جدید شده است. شواهد تجربی نیز ارائه شده تا به پشتیبانی از خصوصیات نظری پیش بینی شده توسط مدل های مختلف، با استفاده از فعالیت های مبنا ترکیبی برای بررسی مشخصه های ویژه بپردازد. سپس الگوریتم های مختلف مبتنی بر PSO، در مورد فعالیت تقویت شبکه های عصبی اعمال می گردد که به ادغام نتایج حاصل شده بر روی فعالیت های مبنا ترکیبی بپردازد.

مقدمه

شما با صدای ساعتتان بیدار می شوید. ساعتی که توسط شرکتی ساخته می شود تا سود خود را با مد نظر قرار دادن تخصیص بهینه منابع تحت کنترلش به حداکثربرساند. شما کتری را روشن می کنید تا قهوه ای درست کنید، بدون اینکه در مورد مدت زمان طولانی که شرکت برق برای بهینه سازی ارائه برق وسایل تان صرف می کند، فکر کنید. هزاران متغیر در شبکه برق تلاشی را به منظور به حداقل رسانی اتلاف در شبکه به منظور به حداکثر رساندن بازدهی تجهیزات برقی تان انجام می دهد. شما وارد اتومبیلتان شده و موتور را بدون درک پیچیدگی های این معجزه کوچک مهندسی شده، روشن می کنید. هزاران پارامتر توسط سازندگان مد نظر قرار داده می شود تا وسیله نقلیه ای را تحویل دهند که متناسب با انتظارتان بوده، که شامل زیبایی بدنه تا شکل آینه بغل اتومبیل می باشد تا از تصادف جلوگیری شود.

طرح شناخت فازی (FCMs) با استفاده از شبکه عصبی…

• عنوان لاتین مقاله: Design of fuzzy cognitive maps using neural networks for predicting chaotic time series
• عنوان فارسی مقاله: طراحی نقشه های شناختی فازی با استفاده از شبکه های عصبی برای پیش بینی سری زمانی پر هرج و مرج
• دسته: مهندسی صنایع
• تعداد صفحات فایل ترجمه شده: 20
• لینک دریافت رایگان نسخه انگلیسی مقاله: دانلود
• نسخه فارسی مقاله برای خرید آماده است.

خلاصه

به عنوان یک طرح کارامد برای ارائه اطلاعات و مکانیسم شبیه سازی متناسب با بررسی های بیشمار و حوزه های کاربردی، طرح شناخت فازی (FCMs) توجه زیادی را از جوامع تحقیقاتی مختلف به سمت خود جلب کرده است. به هر حال FCMs (طرح شناخت فازی) سنتی، روش کارامدی را برای تعیین وضعیت سیستم مورد بررسی و تعیین علت و معلول که مبنای واقعی نظریه FCMs (طرح شناخت فازی) می باشد، ایجاد نمی کند. بنابراین در بسیاری از موارد، ایجاد FCMs (طرح شناخت فازی) برای سیستم های علت و معلول یچیده بستگی به دانش متخصصان دارد. مدل های ایجاد شده فیزیکی، دارای کمبودهایی مهمی از نظر خاص بودن مدل و مشکلاتی از نظر دسترسی قابل اطمینان دارند. در این مقاله به طرح شبکه عصبی فازی برای بالا بردن توان یادگیری FCMs (طرح شناخت فازی) پرداخته به گونه ای که تعیین خودکار توابع عضویت و تعیین علت و معلول آن با مکانیسم استنتاج FCMs (طرح شناخت فازی) رایج ادغام می گردد. به این ترتیب، مدل FCMs (طرح شناخت فازی) سیستم های مورد بررسی به صورت اتوماتیک از داده ها ایجاد شده و بنابراین مستقل از یافته های متخصصان می باشند. علاوه بر این، لز زیرمجموعه های متقابل برای تعریف و شرح علت و معلول در FCMs (طرح شناخت فازی) استفاده می کنیم. این موارد تفاسیر مشخصی را در ارتباط با دلایل FCMs (طرح شناخت فازی) ایجاد کرده و به این ترتیب درک فرایند استنتاج را اسان تر می کند. برای تایید عملکرد، روش پیشنهادی در سری زمانی پر هرج و مرج پیش بینی شده، تست می گردد. بررسی های شبیه سازی شده کارایی روش پیشنهادی را نشان می دهد.

- مقدمه

از زمان تحقیقات کوشو، طرح شناختی فازی (FCMs) توجه زیادی را از جوامع تحقیقاتی مختلف به سمت خود جلب کرده است. به عنوان یک روش بررسی مدل ها، برای سیستم های پیچیده، مدل FCMs به بررسی سیستم های دیگر به عنوان مجموعه ای از مفاهیم و روابط بین این مفاهیم که منشاء آن از ترکیب منطق فازی و شبکه های عصبی می باشد پرداخته است. ذاتا، FCMs به عنوان یک نمودار مستقیم همراه با بازخوردهایی می باشد که شامل مجموعه ای از گره ها و منحنی هایی می باشد که این گره ها را به هم مرتبط می کند. شکل 1 نمایش گرافیکی FCM و ساختار شبکه ای آن را نشان می دهد.

• فرمت: zip
• حجم: 2.87 مگابایت
• شماره ثبت: 411

پروژه بررسی و معرفی شبکه های عصبی مصنوعی…

• پایان نامه جهت اخذ درجه کارشناسی
• عنوان کامل: بررسی و معرفی شبکه های عصبی مصنوعی
• دسته: فناوری اطلاعات و کامپیوتر
• فرمت فایل: WORD (قابل ویرایش)
• تعداد صفحات پروژه: 121
• جهت مشاهده فهرست مطالب این پروژه اینجا کلیک نمایید

مقدمه

هوش محاسباتی یا (Computational-Intelligence) CI به معنای استخراج هوش، دانش، الگوریتم یا نگاشت از دل محاسبات عددی براساس ارائه به روز داده های عددی است. سیستم هایCI در اصل سیستم های دینامیکی مدل آزاد (Model-free) را برای تقریب توابع و نگاشتها ارائه می کند. در کنار این ویژگی بسیار مهم باید از ویژگی مهم دیگری در ارتباط با خصوصیات محاسباتی سیستم های CI نام برد، که در آن دقت، وجه المصالحه مقاوم بودن، منعطف بودن و سهولت پیاده سازی قرار می گیرد.

مولفه های مهم و اساسی CI، شبکه های عصبی) محاسبات نورونی (، منطق فازی) محاسبات تقریبی (و الگوریتم ژنتیک) محاسبات ژنتیکی (است، که هر یک به نوعی مغز را الگو قرار داده اند. شبکه های عصبی ارتباطات سیناپسی و ساختار نورونی، منطق فازی استنتاجات تقریبی و محاسبات ژنتیکی محاسبات موتاسیونی مغز را مدل می کنند.

هوش مصنوعی:

در شبکه ارتباطی مغز انسانها سیگنالهای ارتباطی به صورت پالسهای الکتریکی هستند. جزء اصلی مغز نرون است که از یک ساختمان سلولی و مجموعه ای از شیارها و خطوط تشکیل شده و شیارها محل ورود اطلاعات به نرون هستند وخطوط محل خروج اطلاعات از نرون اند. نقطه اتصال یک نرون به نرون دیگر را سیناپس می نامند که مانند دروازه یا کلید عمل می کنند. اگر واکنشهایی که میلیونها نرون مختلف به پالسهای متفاوت نشان میدهند با یکدیگر هماهنگ باشند ممکن است پدیده های مهمی در مغز رخ دهد.

آن دسته از پژوهشگران هوش مصنوعی که رویکرد مدل مغزی را دنبال می کنند گونه ای از مدارهای الکتریکی را طراحی کرده اند که تا حدی شبکه مغز را شبیه سازی میکند در این روش هر گره (نرون) به تنهایی یک پردازنده است ولی رایانه های معمولی حداکثر چند cpuدارند هدف عمده کامپیوتر شبکه عصبی این است که مکانیسمی طراحی کند که همانند مغز انسان بازخورد مثبت یاد بگیرد پاسخهای درست و نادرست کدامند.

سیستم شبکه عصبی این کار را از طریق ارزشگذاری کمی برای ارتباطات سیگنالها بین نرونها انجام میدهد مکانیسم ارزشگذاری توسط مقاومتها با تقویت یا تضعیف پالسها انجام میشود. چون شبکه های عصبی میلیونها نرون دارند خرابی تعدادی از آنها تاثیر چندانی برعملکرد سیستم نمی گذارد تا کنون چند سیستم آزمایشی با استفاده از این اصول طراحی و ساخته شده اند مثلاًدر بررسی های زیست محیطی، شبکه های عصبی برای جمع آوری و تحلیل اطلاعاتی که از راه دور حس شده اند مورد استفاده قرار می گیرند اطلاعاتی که اغلب سفینه ها مخابره می کنند بسیار حجیم است. شبکه های عصبی این اطلاعات را به راحتی دسته بندی کرده وپس از جمع آوری اطلاعات ذهنی و تجسمی نتایج جالبی به دست می آورند (مثلاًتشخیص انواع خاصی از ابرها) البته این فرایند با آنچه سیستم های خبره انجام می دهند متفاوت است زیرا این سیستم ها ابزارهای تصمیم سازی هستند و می توانند حجم زیادی از اطلاعات را به سرعت تحلیل کنند شبکه های عصبی برای مدل سازی فرایندهای فکری مغزی که زمینۀ دیگری برای مطالعات حساس به اطلاعات و پیچیدگی است مورد استفاده قرار گرفته است.

• فرمت: zip
• حجم: 1.47 مگابایت
• شماره ثبت: 505

بررسی کارایی مدلهای اسپرینگیت، زیمسکی واهلسون در امکان پیش بینی ورشکستگی شرکتهای…

دسته: اقتصاد

حجم فایل: 367 کیلوبایت

تعداد صفحه: 183

چکیده:

ورشکستگی های اخیر شرکتهای بزرگ در سطح بین الملل و نوسانهای بورس اوراق بهادار ایران نیاز به وجود ابزارهایی برای ارزیابی توان مالی شرکتها را نشان می دهد یکی از این ابزارها استفاده از الگوهای پیش بینی ورشکستگی می باشد. با توجه به این ضرورت هدف اصلی این پژوهش تعیین میزان کارایی مدلهای اسپرینگیت، زیمسکی و اهلسون در پیش بینی وضعیت ورشکستگی شرکت های پذیرفته شده در بورس اوراق بهادار تهران و مقایسه نتایج مدلها می باشد، که در راستای تحقق این هدف دو فرضیه اصلی و سه فرضیه فرعی تدوین گردیده است. جامعه آماری و نمونه آماری این پژوهش شامل 13 شرکت ورشکسته و 28 شرکت غیرورشکسته از شرکتهای نساجی و دارویی پذیرفته شده در بورس اوراق بهادار تهران طی سالهای 79 تا 87 می باشد که به منظور دسته بندی شرکتها به دو گروه ورشکسته و غیر ورشکسته از پیش فرض ماده 141 قانون تجارت استفاده شده است. در این پژوهش برای آزمون فرضیه اصلی اول و گروه فرضیات فرعی ازروش آماری رگرسیون لوجستیک استفاده و ضرایب موثر با توجه به شرایط مالی و اقتصادی ایران با استفاده از آماره آزمون والد متد ENTERاستخراج گردیده است، همچنین برای آزمون فرضیه اصلی دوم ازروش مقایسه میانگین ناپارامتری کروسکال والیس استفاده شده است. نهایتا پس از آزمون، کلیه فرضیات تحقیق در سطح اطمینان 95/0 مورد تایید قرار گرفتند و نتایج نشان داد که ' در سه سال مورد بررسی برای پیش بینی ورشکستگی شرکتها مدل اسپرینگیت نسبت به مدلهای زیمسکی و اهلسون نتایج بهتری را نشان می دهد'.

چکیده:.. 1

مقدمه:.. 2

فصل اول: کلیات تحقیق

1-1-مقدمه: 4

2-1 بیان مساله 5

3-1 تاریخچه موضوع تحقیق. 6

4-1 اهمیت وضرورت موضوع تحقیق. 9

5-1 اهداف تحقیق. 11

1-5-1 اهداف اصلی: 11

2-5-1 اهداف فرعی (ویژه) : 11

6-1 چارچوب نظری تحقیق. 11

7-1 مدل تحلیلی تحقیق و شیوه اندازه گیری متغیرها 15

1-7-1 الگوی اسپرینگیت: 15

2-7-1 الگوی زیمسکی: 15

3-7-1 الگوی اهلسون: 16

8-1 فرضیات تحقیق. 16

9-1 متغیرهای عملیاتی تحقیق. 17

10-1تعریف واژه ها و اصطلاحات.. 17

فصل دوم: مروری بر ادبیات تحقیق

1-2 گفتاراول: ورشکستگی و بررسی قانونی آن. 22

1-1-2 مقدمه 22

2-1-2 تعریف ورشکستگی. 22

3-1-2 ورشکستگی ازنظرقانونی. 23

4-1-2 ورشکستگی ازنظرحسابداری. 24

5-1-2 ورشکستگی ازنظرحقوقی. 25

6-1-2 بررسی قانون ورشکستگی درایران. 25

7-1-2 بررسی قانون ورشکستگی درسایر کشورها 26

8-1-2 ورشکستگی از نظر حقوق بین الملل. 29

2-2 گفتار دوم: دلایل، مراحل و هزینه های ورشکستگی. 29

1-2-2 دلایل ورشکستگی. 29

1-1-2-2 دلایل برون سازمانی. 30

2-1-2-2 دلایل درون سازمانی. 31

2-2-2 ابزارهای شناسایی عوامل ورشکستگی. 34

3-2-2 انواع شکست.. 37

4-2-2 مراحل ورشکستگی. 37

5-2-2 هزینه های ورشکستگی. 39

6-2-2 تاثیرهزینه های ورشکستگی بر ساختار سرمایه 40

7-2-2 مالیات وهزینه های ورشکستگی. 42

8-2-2 صورت وضعیت مالی شرکت ورشکسته 44

3-2 گفتار سوم: ارزیابی تداوم فعالیت شرکتها 46

1-3-2 تداوم فعالیت.. 46

2-3-2 برقرار نبودن فرض تداوم فعالیت.. 47

1-2-3-2 نشانه های مالی: 47

2-2-3-2 نشانه های عملیاتی: 47

3-2-3-2 سایر نشانه ها: 47

3-3-2 روشهای ارزیابی تداوم فعالیت شرکتها 48

1-3-3-2 ارزیابی تداوم فعالیت با استفاده از مقررات قانون تجارت: 49

2-3-3-2 ارزیابی تداوم فعالیت با استفاده ازگزارش حسابرسان: 49

3-3-3-2 ارزیابی تداوم فعالیت با کمک نسبتهای مالی ومدلهای پیش بینی ورشکستگی: 49

4-3-2 آئین نامه انظباتی بورس اوراق بهادارتهران درمورد توقف فعالیت.. 50

4-2 گفتارچهارم: تعاریف پیش بینی، مدل و ساختار مدلهای پیش بینی ورشکستگی. 50

1-4-2 پیش بینی. 50

2-4-2 تکنیک های پیش بینی. 51

1-2-4-2 روشهای کیفی پیش بینی: 51

2-2-4-2 روشهای کمی پیش بینی: 52

3-4-2 الگو (مدل) 52

4-4-2 روش شناسی انواع الگوهای پیش بینی ورشکستگی. 53

1-4-4-2 الگوهای آماری. 53

2-4-4-2 الگوهای سیستم خبره هوشمند مصنوعی. 56

3-4-4-2 الگوهای تئوریک... 58

5-4-2 ویژگی های یک الگوی خوب.. 60

6-4-2 معیارهای عملکرد 61

7-4-2 مدلهای پیش بینی ورشکستگی از نظرنقطه انقطاع. 62

5-2 گفتار پنجم: مدلهای پیش بینی ورشکستگی. 64

1-5-2 مدل ویلیام بیور. 64

2-5-2 مدل آلتمن. 65

3-5-2 مدل دی کین (1972) 68

4-5-2 مدل اسپرینگیت.. 69

5-5-2 مدل اهلسون. 70

6-5-2 مدل CA-SCORE. 71

7-5-2 مدل گریس.. 72

8-5-2 مدل یوشیکو شیراتا 73

9-5-2 مدل زیمسکی. 74

10-5-2 مدل تافلر. 75

11-5-2 مدل فولمر. 76

12-5-2 مدل زاوگین. 77

13-5-2 مدل فیلوسوفو. 79

14-5-2 مدل شبکه عصبی مصنوعی. 80

6-2 گفتارششم: تشریح نسبتهای مالی مورد استفاده در این تحقیق. 81

1-6-2 تاریخچه نسبتهای مالی. 81

2-6-2 تعریف و اهداف نسبتهای مالی. 82

3-6-2 انواع نسبتهای مالی. 82

4-6-2 معیارهای ارزیابی نسبتهای مالی. 82

5-6-2 تشریح نسبتهای مورداستفاده در این تحقیق. 83

6-6-2 محدودیتهای تجزیه وتحلیل نسبتها 85

7-2 گفتارهفتم: بازارهای سرمایه و ارکان آن. 85

1-7-2 تعریف بورس اوراق بهادار. 86

2-7-2 علل پیدایش بورس اوراق بهادار. 86

3-7-2 اصطلاحات کلیدی بورس.. 88

1-3-7-2 تعریف شاخص: 88

2-3-7-2 شاخص های بورس: 88

4-7-2 تاریخچه وتحولات بورس اوراق بهادار تهران. 89

1-4-7-2 دوره اول: سالهای 1346 تا 1357. 90

2-4-7-2 دوره دوم: سالهای 1357 تا 1367. 90

3-4-7-2 دوره سوم: سالهای 1368 تا 1375. 91

4-4-7-2 دوره چهارم: سالهای 1376 تا 1388. 92

8-2 گفتارهشتم: پیشینه تحقیق. 93

1-8-2 تحقیقات داخلی: 94

2-8-2 تحقیقات خارجی: 95

فصل سوم: روش اجرای تحقیق

1-3- مقدمه: 102

2-3 روش تحقیق. 102

3-3 جامعه و نمونه آماری. 103

1-3-3 معیار تعیین ورشکستگی: 105

2-3-3 معیار انتخاب شرکتهای ورشکسته: 105

3-3-3 معیارانتخاب شرکتهای غیرورشکسته: 105

4-3 قلمرو تحقیق. 106

1-4-3 قلمرو موضوعی: 106

2-4-3 قلمرو مکانی: 106

3-4-3 قلمرو زمانی: 106

5-3 روش و ابزار گردآوری داده ها 106

6-3 روش تجزیه وتحلیل داده ها 107

7-3 اعتبار درونی و برونی پژوهش.. 110

فصل چهارم: تجزیه و تحلیل داه ها

1-4-‏ مقدمه‏: 113

2-4 شاخص های توصیفی متغیرها 113

1-3-4 تجزیه و تحلیل و آزمون فرضیه فرعی اول: 118

2-3-4 تجزیه وتحلیل و آزمون فرضیه فرعی دوم: 125

3-3-4 تجزیه و تحلیل و آزمون فرضیه فرعی سوم: 132

4-3-4 تجزیه و تحلیل و آزمون فرضیه اصلی اول: 140

5-3-4 تجزیه و تحلیل نتایج بدست آمده از آزمون فرضیه اصلی اول و گروه فرضیات فرعی: 146

1-5-3-4 تجزیه و تحلیل نتایج آزمون فرضیه فرعی اول: 147

2-5-3-4 تجزیه و تحلیل نتایج آزمون فرضیه فرعی دوم: 148

3-5-3-4 تجزیه و تحلیل نتایج آزمون فرضیه فرعی سوم: 149

4-5-3-4 تجزیه و تحلیل نتایج آزمون فرضیه اصلی اول: 150

6-3-4 تجزیه و تحلیل و آزمون فرضیه اصلی دوم: 151

فصل پنجم: نتیجه گیری و پیشنهادات

1-5-مقدمه: 154

2-5 ارزیابی و تشریح نتایج آزمون فرضیه ها 154

3-5 نتیجه گیری کلی تحقیق. 156

4-5 پیشنهادهایی مبتنی بر یافته های تحقیق. 157

5-5 پیشنهادهایی جهت تحقیقات آتی. 158

6-5 محدودیت های تحقیق. 159

منابع و ماخذ:

منابع فارسی: 161

منابع لاتین: 164

چکیده انگلیسی 166

قیمت: 30,000 تومان