نتایج جستجو

20335

نتیجه یافت شد

مرتبط ترین ها

اعمال فیلتر

به روزترین ها

اعمال فیلتر

پربازدید ترین ها

اعمال فیلتر

پر دانلودترین‌ها

اعمال فیلتر

پر استنادترین‌ها

اعمال فیلتر

تعداد صفحات

2034

انتقال به صفحه



فیلترها/جستجو در نتایج    

فیلترها

سال

بانک‌ها



گروه تخصصی











متن کامل


مرکز اطلاعات علمی SID1
اسکوپوس
مرکز اطلاعات علمی SID
ریسرچگیت
strs
اطلاعات دوره: 
  • سال: 

    1400
  • دوره: 

    9
  • شماره: 

    3
  • صفحات: 

    283-294
تعامل: 
  • استنادات: 

    0
  • بازدید: 

    69
  • دانلود: 

    39
چکیده: 

متن کامل این مقاله به زبان انگلیسی می باشد. لطفا برای مشاهده متن کامل مقاله به بخش انگلیسی مراجعه فرمایید.لطفا برای مشاهده متن کامل این مقاله اینجا را کلیک کنید.

آمار یکساله:  

بازدید 69

دانلود 39 استناد 0 مرجع 0
نویسندگان: 

کیم ی.س. | زن بین ز.

اطلاعات دوره: 
  • سال: 

    1384
  • دوره: 

    2
  • شماره: 

    2
  • صفحات: 

    1-13
تعامل: 
  • استنادات: 

    0
  • بازدید: 

    1089
  • دانلود: 

    180
کلیدواژه: 
چکیده: 

شبکه های عصبی IAFC پیشنهاد شده هم دارای پایداری و هم انعطاف پذیری می باشند، زیرا از ساختار کنترلی شبیه به شبکه های عصبی ART-1 استفاده می کنند. شبکه های عصبی IAFC بدون نظارت شبکه هایی با یادگیری بدون نظارت هستند که از قانون یادگیری نشت دار فازی استفاده می کنند. این قانون یادگیری به وسیله مقادیر (درجات) عضویت، میزان به هنگام کردن را کنترل می کند. شبکه های عصبی IAFC با نظارت شبکه هایی با یادگیری با نظارت هستند که از نسخه های فازی LVQ استفاده می کنند. در این مقاله، چندین الگوریتم مهم یادگیری وفق پذیر از دیدگاه ساختار و قانون یادگیری مقایسه می شوند. کارایی چندین الگوریتم یادگیری وفق پذیر با استفاده از مجموعه داده Iris مقایسه می شود.

آمار یکساله:  

بازدید 1089

دانلود 180 استناد 0 مرجع 0
اطلاعات دوره: 
  • سال: 

    2021
  • دوره: 

    6
  • شماره: 

    1
  • صفحات: 

    143-151
تعامل: 
  • استنادات: 

    0
  • بازدید: 

    24484
  • دانلود: 

    28828
چکیده: 

Fraud is a common phenomenon in business, and according to Section 24 of the Iranian Auditing Standards, it is the fraudulent act of one or more managers, employees, or third parties to derive unfair advantage and any intentional or unlawful conduct. Financial statements are a means of transmitting confidential management information about the financial position of a company to shareholders and other stakeholders. In this paper, by reviewing the literature, 6 indicators of current ratio, debt ratio, inventory turnover ratio, sales growth index, total asset turnover ratio, and capital return ratio as input and detection of financial fraud as output are considered for the FUZZY NEURAL network. The database was compiled for 10 companies in the period from 2010 to 2018 after clearing and normalizing qualitatively between 1 to 5 discrete numbers with very low or very high meanings, respectively. The FUZZY NEURAL network model with 161 nodes, 448 linear parameters, 36 nonlinear parameters, and 64 FUZZY laws with two methods of accuracy approximation of mean squared error and root mean squared error has been set to zero and 0. 0000001 respectively. This NEURAL network can be used for prediction.

آمار یکساله:  

بازدید 24484

دانلود 28828 استناد 0 مرجع 0
گارگاه ها آموزشی
اطلاعات دوره: 
  • سال: 

    2019
  • دوره: 

    11
  • شماره: 

    1
  • صفحات: 

    45-56
تعامل: 
  • استنادات: 

    0
  • بازدید: 

    18083
  • دانلود: 

    12494
چکیده: 

As an extension of classical ontology, a FUZZY ontology by employing FUZZY set theory can easily and yet better deal with uncertainties especially for the cases in which knowledge is vague. Obviously, fuzzification plays an important role in each FUZZY ontology. The main goal of this paper is to present an RDF based ontology, which indeed should contain many facts about the real world, inevitably facing with some uncertainties. In this perspective, an RDF based ontology is converted into a FUZZY most probably an incomplete one due to the fact that there will be some missing relations in the converted FUZZY ontology. To remedy this, the paper introduces a new method in the general framework of conversion and completion of an RDF based ontology into a FUZZY ontology mainly using the facts aspect. Therefore, first a new definition of the FUZZY ontology is proposed. To do so, a NEURAL tensor network, which is indeed state-of-the-art of RDF based ontology completion, is proposed. Furthermore, a new application is suggested for this network that can create a FUZZY ontology. To furnish this goal, two new algorithms are then introduced for the conversion and completion of the proposed FUZZY ontology. In the proposed method, ontology facts are first embedded in a vector space, and then a score value is given to each fact by a learning method. Using these scores and threshold values of each relation, ontology facts can be fuzzified. Finally, some simulation studies are conducted to evaluate better the merit of the proposed method.

آمار یکساله:  

بازدید 18083

دانلود 12494 استناد 0 مرجع 0
نویسندگان: 

آذر عادل | افسر امیر

اطلاعات دوره: 
  • سال: 

    1385
  • دوره: 

    10
  • شماره: 

    40
  • صفحات: 

    33-52
تعامل: 
  • استنادات: 

    14
  • بازدید: 

    3536
  • دانلود: 

    1062
چکیده: 

پیش بینی قیمت سهام در بورس اوراق بهادار از اهمیت خاصی برخوردار است، زیرا نشان دهنده وضعیت کلی مطلوب یا نامطلوب سرمایه  گذاری برای سهامداران و سرمایه گذاران است. در میان روش های پیش بینی، شبکه های عصبی مصنوعی و منطق فازی در بسیاری از زمینه های کاربردی استفاده شده  اند و هر کدام آن ها دارای محاسن و معایبی هستند. این مقاله به دنبال ترکیب تئوری استدلال فازی با روش شبکه های عصبی جهت بهبود دقت و سرعت همگرایی مدل پیش بینی است. بنابراین، یک مدل ترکیبی شبکه های عصبی و تئوری استدلال فازی بر اساس مدل استدلال تاکاگی سوگنو در نظر گرفته شده است.در این تحقیق، مدل شبکه های عصبی فازی پیش بینی قیمت سهام طراحی شده و از لحاظ شش معیار ارزیابی عملکرد با روش ARIMA مقایسه شده است، نتایج تحقیق بیانگر این حقیقت است که شبکه های عصبی فازی در تمامی شش معیار ارزیابی عملکرد بر روش ARIMA برتری داشته است و دارای ویژگی های منحصر بفرد همگرایی سریع، دقت بالا، و توانایی تقریب تابع قوی هستند و برای پیش بینی شاخص قیمت سهام مناسب می باشند.

آمار یکساله:  

بازدید 3536

دانلود 1062 استناد 14 مرجع 1
اطلاعات دوره: 
  • سال: 

    1388
  • دوره: 

    43
  • شماره: 

    1 (پیاپی 119) ویژه مهندسی مکانیک
  • صفحات: 

    103-110
تعامل: 
  • استنادات: 

    0
  • بازدید: 

    619
  • دانلود: 

    212
چکیده: 

پیش بینی زبری سطح یک پیش نیاز اساسی برای ایجاد یک مرکز ماشین کاری خودکار می باشد. بهینه سازی فرآیند ماشین کاری در این راستا از اهمیت خاصی برخوردار است. در این مقاله از رهیافت ترکیبی فازی - عصبی (سیستم استنتاج فازی - عصبی تطبیقی (ANFIS به منظور پیش بینی زبری سطح در تراش کاری خشک استفاده شده است. به طوری که داده های حاصل از آزمایش ها به منظور ایجاد قواعد فازی و ویرایش این قواعد به کمک شبکه های عصبی به کار گرفته شده است. برای این منظور پس از ایجاد مدل پیش بینی کننده از تعدادی داده های آزمایش برای آزمون کارآیی مدل استفاده شده و نتایج به دست آمده از مدل پیش بینی کننده با زبری واقعی مقایسه گردیده اند. نتایج حاصل نشان می دهند که مدل ایجاد شده نسبت به سایر مدل های موجود در زمینه زبری سطح، کارآیی بهتری دارد.

آمار یکساله:  

بازدید 619

دانلود 212 استناد 0 مرجع 0
strs
اطلاعات دوره: 
  • سال: 

    1393
  • دوره: 

    6
  • شماره: 

    23
  • صفحات: 

    1-15
تعامل: 
  • استنادات: 

    0
  • بازدید: 

    1712
  • دانلود: 

    613
چکیده: 

پیش بینی سود هر سهم و تغییرات آن به عنوان یک رویداد اقتصادی از دیرباز مورد علاقه سرمایه گذاران، مدیران، تحلیل گران مالی و اعتباردهندگان بوده است. این توجه ناشی از استفاده سود در مدل های ارزیابی سهام، کمک به کارکرد کارای بازار سرمایه، ارزیابی توان پرداخت و ارزیابی عملکرد واحد اقتصادی می باشد. هدف این تحقیق پیش بینی سود هر سهم با استفاده از شبکه عصبی - فازی و شبکه عصبی درک چندلایه (MLP) و GMDH و تعیین مدل برتر با استفاده از چهار معیار مربع میانگین خطای استاندارد (MSE)، میانگین قدر مطلق خطا (MAE)، مربع مجذور میانگین خطا (RMSE) و (R2) ضریب تعیین می باشد. بدین منظور، شرکت های پذیرفته شده در بورس و اوراق بهادار تهران به عنوان جامعه آماری و نمونه انتخابی شامل، 500 سال/شرکت در قالب 24 صنعت فعال بورس در دوره زمانی 1390-1386 می باشد که به صورت تصادفی و روش نمونه گیری خوشه ای انتخاب شده اند. نتایج تحقیق بیانگر برتری شبکه عصبی - فازی در تمامی چهار معیار ارزیابی نسبت به شبکه عصبی MLP و GMDH می باشد که نشان از توانایی بالای این شبکه در شناخت الگوهای حاکم برداده ها و وجود رابطه غیرخطی برخی متغیرهای حسابداری با سود هرسهم دارد. درنتیجه دقت پیش بینی شبکه عصبی - فازی بیشتر از شبکه MLP و GMDH است و برای پیش بینی سود هر سهم مناسب می باشد.

آمار یکساله:  

بازدید 1712

دانلود 613 استناد 0 مرجع 9
نشریه: 

آب و فاضلاب

اطلاعات دوره: 
  • سال: 

    1384
  • دوره: 

    16
  • شماره: 

    1 (مسلسل 53)
  • صفحات: 

    3-14
تعامل: 
  • استنادات: 

    3
  • بازدید: 

    2391
  • دانلود: 

    658
چکیده: 

فشار نقاط مصرف در شبکه های آب رسانی یکی از مهم ترین پارامترهای هیدرولیکی است که می تواند در مدیریت بهینه شبکه های توزیع آب مورد استفاده قرار گیرد. از آن جایی که فشار، اثرات متفاوتی بر پارامترهای مختلف مدیریت شبکه همچون عملکرد هیدرولیکی، قابلیت اطمینان، پایداری شبکه و نشت دارد، لذا شناسایی روند تغییرات و تعیین میزان آن از اهمیت بسیاری در سطوح مختلف مدیریتی برخوردار است. بخش قابل توجهی از آب ورودی به شبکه های توزیع آب شهری به صورت نشت به هدر می رود. وجود نشت در شبکه های آب رسانی موجب اتلاف منابع و سرمایه صرف شده در تولید، انتقال، تصفیه و توزیع آب، ایجاد مشکلات کیفی در آب شرب به علت ورود آلودگی به شبکه توزیع آب از محل نشت و غیره می شود. با توجه به نقش حیاتی آب در زندگی و کمبود منابع آب قابل شرب و هم چنین هزینه های گزاف فراهم نمودن آب شرب سالم، باید سعی شود تا تلفات آب به حداقل رسانده شود. برای این منظور و با توجه به تاثیر متقابل نشت و فشار بر یکدیگر، ابتدا لازم است تا در هر نقطه بتوان میزان نشت را با توجه به فشار موجود تعیین کرد. با توجه به قابلیت ها و مزایای شبکه عصبی و سهولت استفاده از آن به عنوان یک ابزار کار، در این مقاله سعی شده تا مدل شبکه عصبی برای تعیین فشار در هر نقطه با توجه به ارتفاع مخزن، ارتفاع نقطه، و میزان مصرف با لحاظ کردن موجود در آن نقطه تدوین شود. در این مقاله تغییرات فشار در قسمتی از شبکه توزیع آب شهر تهران با استفاده از مدل EPANET2.0 شبیه سازی شده است. برای این منظور از دو مدل شبکه عصبی و همچنین ترکیب شبکه عصبی با منطق فازی استفاده شده و نتایج حاصل از آن ها با نتایج مدل تحلیل هیدرولیکی و نیز با یکدیگر مقایسه شده و توانایی مدل های شبکه عصبی در پیش بینی فشار نشان داده شده است.

آمار یکساله:  

بازدید 2391

دانلود 658 استناد 3 مرجع 1
اطلاعات دوره: 
  • سال: 

    1394
  • دوره: 

    38
  • شماره: 

    3
  • صفحات: 

    51-61
تعامل: 
  • استنادات: 

    0
  • بازدید: 

    779
  • دانلود: 

    219
چکیده: 

یکی از روش های کاهش خسارت ناشی از کاویتاسیون در سرریز سدها، هوادهی به جریان با استفاده هواده ها است. جریان هوای مورد نیاز هواده ها یکی از مهم ترین عوامل تاثیرگذار در طراحی آن ها است. در این پژوهش برای برآورد جریان هوای مورد نیاز هواده سرریز از چهار روش رگرسیون گام به گام، روش تجربی فیشر، شبکه عصبی (مبتنی بر آموزش لونبرگ- مارکواد) و روش ترکیبی فازی- عصبی (انفیس) استفاده شد. به منظور انجام مدل سازی از 914 داده مربوط به آزمایش های انجام شده روی مدل هیدرولیکی سرریز سد کلاید دم و 12 داده مربوط به آزمایش های صورت گرفته توسط مرکز تحقیقات آب تهران روی مدل هیدرولیکی سد مخزنی آزاد، استفاده شد. پس از برآورد دبی هوای مورد نیاز هواده سرریز با استفاده از روش های ذکرشده، خطای روش های مختلف محاسبه گردید و عملکرد آن ها مورد ارزیابی قرار گرفت. نتایج نشان داد که روش ترکیبی عصبی- فازی با داشتن ریشه میانگین مربعات خطا در حدود 0.0194 و ضریب همبستگی 0.968، بهترین عملکرد را دارا می باشد. این در حالی است که برای روش های شبکه عصبی مصنوعی، رگرسیون گام به گام و تجربی فیشر، ریشه میانگین مربعات خطا به ترتیب حدود 0.0538، 0.0596 و 1.98 است.

آمار یکساله:  

بازدید 779

دانلود 219 استناد 0 مرجع 0
نویسندگان: 

JAFARIAN A. | JAFARI R.

اطلاعات دوره: 
  • سال: 

    2012
  • دوره: 

    -
  • شماره: 

    -
  • صفحات: 

    0-0
تعامل: 
  • استنادات: 

    394
  • بازدید: 

    10723
  • دانلود: 

    16971
کلیدواژه: 
چکیده: 

آمار یکساله:  

بازدید 10723

دانلود 16971 استناد 394 مرجع 0
litScript