تبخیر یکی از فرایندهای مهم و تأثیرگذار در چرخه آبی است. تشت تبخیر به علت سهولت تفسیر داده­های آن در سراسر دنیا به عنوان شاخصی برای تعیین تبخیر از دریاچه­ها و مخازن استفاده می­شود. بنابراین با ثبت درست مقدار تبخیر از تشت می­توان تبخیر و تعرق گیاه مرجع را تخمین زد. روابط تجربی ارائه شده برای تخمین تبخیر از سطوح آزاد با در نظر گرفتن پارامترهای هواشناسی به عنوان ورودی، دارای تنوع زیاد است. دقت روابط تجربی در مناطق مختلف متفاوت است و در هر منطقه نیاز به واسنجی دارد. همچنین از دقت بالایی برخوردار نبوده و دسترسی به تمام پارامترهای ورودی مشکل و یا اندازه­گیری آن­ها محتاج صرف هزینه و زمان زیادی می­باشد. هدف از این تحقیق ارزیابی کارایی مدل­های ماشین بردار پشتیبان و حداقل مربعات ماشین بردار پشتیبان جهت تخمین تبخیر از سطح آزاد آب در استان گلستان می­باشد. در این تحقیق از داده­های هواشناسی روزانه سه ایستگاه سینوپتیک (کلاله، گرگان و بندر ترکمن) به مدت 17 سال (1376-1393) استفاده شد. نتایج نشان داد بین الگوهای ورودی به مدل های SVM و LSSVM، الگوی 16 با پارامترهای ورودی  رطوبت نسبی کمینه، رطوبت نسبی بیشینه، سرعت باد و ساعات آفتابی دارای بیشترین R2 و کمترین RMSE و MBE بود. مدل LSSVM در ایستگاه بندر ترکمن دارای بهترین پیش بینی نسبت به دو ایستگاه دیگر بوده است. همچنین در همه ایستگاه های موردمطالعه مدل LSSVM دارای R2 بیشتر و RMSE و MBE کمتری نسبت به مدل SVM بوده است.

هدف: هدف در این مقاله ارایه یک نوع بهبودیافته از مدل ماشین بردار پشتیبان دوگانه حاشیه-پارامتری به منظور بهبود عملکرد کلاس بندی است. روش شناسی پژوهش: با جایگزین کردن متغیر جدید در تابع هدف، نقاط یک کلاس از ابرصفحه حاشیه-پارامتری کلاس دیگر تا جای ممکن دور می شود. یافته ها: مدل بهبودیافته در هر دو حالت خطی و غیرخطی محدب است. همچنین آزمایش های عددی بر روی داده های کتابخانه ای UCI نشان دهنده عملکرد بهتر مدل پیشنهادی در مقایسه با دو مدل مشابه در مقایسه با دو مدل مشابه در حالت های خطی و غیرخطی از نظر دقت است. اصالت/ارزش افزوده علمی: مطالعات قبلی انجام شده در مدل ماشین بردار پشتیبان دوگانه حاشیه-پارامتری که از طریق روش های مانند وزن دار کردن داده ها، تبدیل کردن آن به مدل نامقید و یا اضافه کردن عبارت جدید در تابع هدف دقت مسئله را افزایش می دهند، تضمین کننده دور بودن تمام نقاط از ابرصفحه و قرار داشتن آن ها در نیم فضای منفی نیستند؛ اما این بررسی یک رویکرد جدید برای رفع این مشکل ماشین بردار پشتیبان دوگانه حاشیه-پارامتری ارایه می دهد.

در این مقاله، رویکردی برای برازش مدل رگرسیون خطی بر اساس بردارهای پشتیبان، زمانی که متغیر پاسخ، پارامترهای مدل و خطاها به صورت اعداد فازی باشند، ارائه شده است. در این روش، تابع هدف بر اساس مجموع قدرمطلق فواصل بین ابرصفحه های حاشیه ای غیرموازی بنا شده است. مدل ارائه شده نسبت به وجود داده های پرت از استواری مناسبی برخوردار است. مدل پیشنهادی بر اساس سه معیار نیکویی برازش با برخی مدل های دیگر مورد مقایسه قرار گرفته است.

آردی شدن، کیفیت میوه سیب را تنزل می دهد و این پدیده نقش مهمی در بازار میوه ایفا می کند. بنابراین استفاده از تکنیکی سریع و قابل اعتماد برای اندازه گیری و درجه بندی میوه ها ضروری است. در این تحقیق، قابلیت سیگنال های صوتی سیب های غلتان بر روی صفحه شیب دار به عنوان روشی نوین در تشخیص غیرمخرب آردی شدن سیب رقم رد دلیشز مورد بررسی قرار گرفت. با استفاده از آزمون مخرب فشردگی محصور، میزان آردی شدن نمونه ها ارزیابی شد. مدل های ماشین بردار پشتیبان برای طبقه بندی سیب ها در نظر گرفته شد. از کرنل تابع پایه شعاعی در مدل های ماشین بردار پشتیبان استفاده شد. مطابق روش جستجوی جامع، مدلی با ترکیب 9 ویژگی به عنوان بهترین مدل انتخاب شد. نتایج نشان داد که میزان دقت کلی این روش برای تشخیص سیب های سالم و آردی برابر 5/85 درصد به دست آمد. نتایج حاکی از آن بود که روش مذکور از توانمندی خوبی برای تشخیص سیب های آردی برخوردار است. 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.

درماندگی مالی پیش از ورشکستگی مالی رخ می دهد و پیش بینی موثر آن یک مساله مهم و چالش برانگیز برای شرکت ها می باشد. تحقیق حاضر به پیش بینی درماندگی مالی در قالب مدل ماشین بردار پشتیبان و با استفاده از ترکیبات جریان نقد می پردازد. اهمیت ابزارهای داده کاوی، و توانایی این ابزارها در پیش بینی و طبقه بندی متغیرها، استفاده از آن ها را در مباحث مختلف مالی از جمله پیش بینی ورشکستگی، پیش بینی درماندگی مالی، کشف تقلب مدیریت، برآورد ریسک اعتباری و پیش بینی عملکرد شرکت، گسترش داده است. دراین مطالعه، ترکیبات جریان نقد شرکت های انتخاب شده برمبنای معیارهای اختصاصی درماندگی به عنوان متغیرهای ورودی مدل به کار گرفته شده است. یافته های تحقیق حاکی از آن است از میان توابع کرنلی، تابع چند جمله ای در سال درماندگی، یک و دو سال قبل از آن دارای بالاترین قدرت پیش بینی است.

مدل بندی و برآوردی کارا از تابع روند در برآورد تغییرنگار و پیش گویی داده های فضایی از اهمیت بالایی برخوردار است. در این مقاله برای مدل بندی تابع روند از روش رگرسیون بردار پشتیبان استفاده شده است. سپس داده ها روندزدایی شده و برآورد تغییرنگار و پیش گویی انجام می شود. بر روی یک مجموعه داده واقعی، نتایج پیش گویی حاصل از روش پیشنهادی با روش پیش گویی اسپلاین و کریگیدن از طریق اعتبارسنجی متقابل مقایسه شده است. کمینه بودن ریشه دوم میانگین توان های دوم خطا معیار انتخاب روش مناسب پیش گویی است. نتایج پیش گویی برای چند موقعیت با مقادیر معلوم که بنا به دلایلی از مجموعه داده ها کنار گذاشته شده اند و برای موقعیت های جدید به دست آمده اند. نتایج بیانگر دقت بالای پیش گویی با روش پیشنهادی نسبت به کریگیدن و اسپلاین است.

زبری یکی از خصوصیات هندسی درزه ها است که بیان آن از طریق روش های مختلف امکان پذیر است. در این مطالعه از 8 پارامتر مختلف برای تخمین ضریب زبری درزه (JRC) برای 112 پروفیل زبری مختلف استفاده شده است. با توجه به محدوده تغییرات نسبتا زیاد این پارامترها در یک کلاس زبری مشخص و هم پوشانی این محدوده ها با کلاس های مجاور زبری، به منظور استفاده همزمان از دو پارامتر برای تخمین JRC ماتریس تأثیر متقابل این پارامترها بر مقدار JRC ایجاد شد. تفکیک پذیری کلاس های مختلف زبری در سناریو های مختلف با استفاده از ضریب همبستگی پیرسون و استفاده از قضاوت مهندسی مورد ارزیابی قرار گرفت. نتایج نشان می دهد که حالت هایی با ضریب همبستگی در حدود 8/0 برای کلاس بندی JRC مناسب هستند. به دلیل وجود مرزهای نسبتاً مشخص بین دو کلاس زبری متوالی نسبت به سایر حالت ها و داشتن مفهوم مهندسی مشخص از پارامترهای انحراف معیار ارتفاع دندانه ها و انحراف معیار زاویه دندانه ها برای طبقه بندی JRC استفاده شد. اگرچه با استفاده از پارامترهای دو بعدی گراسلی، Z2 و انحراف معیار اختلاف ارتفاع دندانه ها نیز می توان برای طبقه بندی JRC استفاده کرد. با استفاده از روش ماشین بردار پشتیبان، مرز بین کلاس های مختلف زبری مشخص شد. نتایج طبقه بندی انجام شده با انجام 20 آزمایش برش مستقیم بر روی سطوح درزه طبیعی اعتبار سنجی شد. بیش از 70 درصد نتایج پیش بینی با نتایج آزمایشگاهی تطابق دارد و حدود 20 درصد نتایج مقدار پیش بینی شده با مقدار واقعی یک کلاس فاصله دارد. با این وجود تخمین زبری با استفاده از پروفیل ها دوبعدی همواره با محدودیت روبرو است.