لطفا برای مشاهده چکیده به متن کامل (PDF) مراجعه فرمایید.

شاخص تردی (شکنندگی) سنگ یکی از مهم ترین پارامترهای موثر بر حفاری های زیرزمینی به ویژه در حفاری با ماشین (TBM) به حساب می آید که محاسبه دقیق این پارامتر برای طراحی های ژئوتکنیکی بسیار مهم و کاربردی است. در این مقاله، شاخص تردی سنگ با استفاده از دو روش رگرسیون چند متغیره غیر خطی و همچنین درخت رگرسیون CART بر روی پایگاه داده شامل 48 ردیف داده ای از 30 پروژه تونل سازی مختلف پیش بینی شده است. این پایگاه داده ای بازه قابل قبولی از اعداد را در بر می گیرد که شامل مقاومت فشاری، مشاومت کششی و وزن مخصوص انواع مختلفی از سنگ ها است. علاوه بر مقاومت تک محوری سنگ، مقاومت کششی برزیلی و وزن مخصوص، جنس سنگ به عنوان پارامتر چهارم در ارائه معادله و توسعه درخت پیش بینی تردی سنگ لحاظ شده است. معادله پیشنهاد شده در این مطالعه دارای ضریب تشخیص 91/0R2= و درخت رگرسیون توسعه داده نیز دارای ضریب تشخیص 94/0 R2=است. با توجه به اعمال جنس سنگ به صورت کد عددی در پیش بینی ها مشاهده شد که اعمال این کد نه تنها باعث کاهش دقت در پیش بینی ها نمی شود، بلکه باعث افزایش آن و باعث درک بهتری از معادلات و روش های پیش بینی نیز می شود.

مقدمه: تشخیص زودهنگام استئوپروز کلیدی برای پیشگیری است، لیکن تشخیص، بدون استفاده از روش های تشخیصی مناسب، به علت پیچیدگی عوامل خطر استئوپروز و روند تدریجی از دست رفتن استخوان مشکل است هدف این مطالعه ارائه و سنجش کارایی یک الگوی پیشگویی استئوپروز با استفاده از تکنیک درخت تصمیم به عنوان یک روش تشخیصی براساس عوامل خطر در دسترس است تا به وسیله آن افراد درمعرض خطر برای انجام فعالیت های پیشگیرانه شناسایی شوند. روش بررسی: برای انجام این مطالعه از داده های 131 زن با سن 20 تا 40 سال استفاده شد. متغیر پاسخ مقدار تراکم استخوان (t-score ) ناحیه 4L-1L کمری بود که به دوگروه نرمال(1-=< t-score) و در معرض خطر استئوپروز (1-> t-score) تقسیم شد. به منظور تعیین عوامل خطر استئوپروز از مدل درخت تصمیم به روش ارزیابی متقاطع با 4=k و رگرسیون لوجستیک استفاده شد. برای بررسی دقت پیش بینی دو مدل، سطح زیرمنحنی مشخصه عملکرد (AUROC)به کار گرفته شد. تحلیل داده ها با نرم افزار R انجام شد. یافته ها: سه متغیر تعداد حاملگی، BMI و میزان کلسیم به عنوان عوامل خطر استئوپروز از مدل درختی به دست آمد و سطح زیر منحنی مشخصه عملکرد درخت تصمیم و رگرسیون لوجستیک به ترتیب برابر 665/0 و 686/0 حاصل شد. نتیجه گیری: سطح زیر منحنی مشخصه عملکرد برتری نسبی رگرسیون لوجستیک را نشان داد که با توجه به مزایای درخت تصمیم به کار گیری همزمان دو روش پیشنهاد می شود.

قطع درخت در بین مولفه های بهره برداری، اهمیت زیادی دارد. برآورد تولید تجهیزات جنگلی، بخش مهمی از مدیریت هزینه ها در یک واحد جنگل داری است که با کاهش هزینه های عملیات همراه است. به عبارت دیگر، هزینه های بالای سرمایه گذاری در بهره برداری جنگل، دلیل خوبی برای تحقیقات مهندسی جنگل و همچنین مدل سازی زمان می باشد. روش های زیادی مانند انواع رگرسیون ها، منطق فازی، شبکه های عصبی و غیره برای پیش بینی زمان قطع وجود دارد که به کمک آنها می توان به ارتباط منطقی بین زمان قطع درخت و متغیرهای مستقل موجود دست یافت و برای عملیات آینده میزان زمان قطع درخت را پیش بینی نمود. در این تحقیق از تحلیل رگرسیون و شبکه های عصبی پرسپترون چند لایه و تابع شعاع مدار برای پیش بینی زمان قطع درخت در جنگل های شرکت نکاچوب استفاده شد. به منظور جمع آوری داده های زمان قطع، از روش مطالعه زمانی پیوسته استفاده شد. بدین منظور تعداد 84 درخت از درختان نشانه گذاری شده انتخاب شد و زمان خالص قطع درخت با استفاده از شبکه پرسپترون چندلایه و تابع شعاع مدار، و همچنین روش رایج تحلیل رگرسیون پیش بینی گردید. نتایج نشان داد که شبکه عصبی تابع پایه شعاعی نسبت به شبکه عصبی پرسپترون چندلایه دارای دقت بیشتری در برآورد زمان قطع درخت می باشد. همچنین مقایسه معیارهای ارزیابی شبکه عصبی مصنوعی با رگرسیون گام به گام نشان داد که شبکه عصبی MLP و RBF به ترتیب دارای مقدار 0.94 RMSE و 0.81 بوده، در حالی که مقدار RMSE مدل رگرسیون 1.15 می باشد.

زمینه و هدف: شناسایی و پیش بینی موارد پره اکلامپسی شدید با توجه به وخامت پی آمدهای مادری و نوزادی اهمیت زیادی دارد. در این مطالعه نقش برخی عوامل زمینه ای و مراقبتی همراه با پره اکلامپسی شدید با استفاده از مدل طبقه بندی درختی و رگرسیونی مورد ارزیابی قرار گرفت.روش بررسی: این مطالعه روی 1643 زن باردار در 4 بیمارستان منتخب کشور که مبتلا به یکی از شکایت های 53 گانه مرتبط با بارداری در نیمه اول سال 1384 بودند، انجام شد. متغیرهای مرتبط با وضعیت اجتماعی اقتصادی، تاریخچه باروری، سابقه بیماری های زمینه ای، بهره مندی از مراقبت های دوران بارداری، آگاهی از علایم خطر دوران بارداری و تعداد مراقبت ها، ابتلا به برخی مشکلات در بارداری های قبلی و فعلی و شاخص توده بدنی قبل از بارداری به عنوان متغیرهای پیش بینی کننده و شدت پره اکلامپسی به صورت یک متغیر دو وضعیتی به عنوان متغیر وابسته وارد مدل تجزیه و تحلیل گردیدند. پیش بینی پیامد با استفاده از یک روش ناپارامتری به نام طبقه بندی درختی و رگرسیونی انجام گردید. نتایج تجزیه و تحلیل این مدل با روش رگرسیون لجستیک مقایسه گردید.یافته ها: فراوانی پره اکلامپسی در کل مراجعین 5.2 درصد بود. در مدل 1 متغیرهای ابتلا به سردرد مکرر و درد اپیگاستر در دوران بارداری، تعداد حاملگی های قبلی و میزان بهره مندی از مراقبت های دوران بارداری، پیش بینی کننده در شناسایی موارد پره اکلامپسی شدید بود. در مدل 2 فقط ابتلا مکرر به سردرد و تعداد حاملگی قبلی نقش پیش بینی کننده برای این پیامد وخیم بارداری را داشت. حساسیت در مدل 1 و 2 به ترتیب 47.8 درصد و 39.1 درصد و ویژگی در دو مدل به ترتیب 96.8 درصد و 93.6 درصد بود. در تحلیل رگرسیون لجستیک فقط متغیر ابتلا به سردرد در دوران بارداری با پره اکلامپسی شدید رابطه داشت (نسبت برتری 2.5، فاصله اطمینان 95 درصد 5-1.3).نتیجه گیری: این مطالعه نشان داد که با استفاده از متغیرهای قابل سنجش در دوران بارداری، قادر به پیش بینی پیامد پرخطر پره اکلامپسی شدید می باشد. با توجه به تفسیر ساده مدل های درختی و کاربرد آن در تصمیم گیری بالینی، می توان از آنها در سطوح مختلف نظام ارایه خدمات بهداشتی و درمانی استفاده نمود.

مقدمه: مالاریا یک بیماری عفونی است که سالانه 200 تا 300 میلیون نفر را گرفتار می سازد. ویژگی های محیطی چون بارش، درجه حرارت و رطوبت از جمله عوامل تاثیرگذار بر توزیع جغرافیایی و شیوع این بیماری هستند. همچنین، شرایط محیطی نیز بر فعالیت و وفور پشه ناقل بیماری مالاریا تاثیرگذار است. پژوهش حاضر با هدف ارائه مدلی برای پیش بینی نوع مالاریا صورت گرفت. روش کار: پژوهش حاضر به روش توصیفی-مقطعی صورت گرفت. جامعه ی پژوهش متشکل از 285 نفر مراجعه کننده به مرکز بهداشت سراوان از مرداد 88 تا آذر 95 بود. جهت تحلیل داده ها از نرم افزار کلمنتاین 12 (Clementine12. 0) استفاده شد. برای مدل سازی از الگوریتم های درخت تصمیم تقسیم و رگرسیون، آشکارساز تعامل خودکار مجذور کای، سی پنج و شبکه عصبی استفاده شد. یافته ها: مقدار صحت به دست آمده از اجرای الگوریتم های درخت تصمیم تقسیم و رگرسیون، آشکارساز تعامل خودکار مجذور کای، سی پنج و شبکه عصبی به ترتیب 7217/0، 6698/0، 6840/0 و 6557/0 بود. مقادیر به دست آمده برای شاخص های حساسیت، شفافیت، صحت، دقت و ارزش اخباری منفی و سطح زیر منحنی مشخصه ی عملکرد سیستم برای مدل درخت تصمیم تقسیم و رگرسیون نشان دهنده ی عملکرد بهتر این الگوریتم نسبت به سایر الگوریتم ها بود. مقادیر حساسیت و سطح زیر منحنی برای مدل درخت تصمیم تقسیم و رگرسیون 5787/0 و 66/0 بود. نتیجهگیری: استفاده از رو ش های نوین داده کاوی برای تحلیل داده های مالاریا، نحوه ی نگرش مراکز تحقیقات مالاریا را نسبت به شناسایی نوع مالاریا با توجه به گونه حشره تغییر می دهد. شناسایی سریع تر و دقیق تر نوع مالاریا به تشخیص صحیح روش درمان مناسب کمک نموده، منجر به ارتقای عملکرد سازمان های سلامت می گردد.

شاخص کیفیت هوا ابزار کلیدی جهت آگاهی از کیفیت هوا، نحوه ی اثر آلودگی هوا بر سلامت و روش های محافظتی در برابر آلودگی هوا است. هدف اصلی این تحقیق مدل سازی و برآورد شاخص کیفیت هوا از طریق شبکه عصبی مصنوعی، درخت تصمیم، رگرسیون خطی چندگانه و رگرسیون مؤلفه های اصلی است. جهت محاسبه شاخص کیفیت هوا از داده های هواشناسی و آلودگی هوای ثبت شده در ایستگاه تجریش و قلهک شهر تهران در دوره زمانی 1385 تا 1390 استفاده شد. به منظور ارزیابی عملکرد مدل های برآوردگر از شاخص های آماری خطا، همبستگی و صحت استفاده شد. نتایج تحقیق نشان داد که مدل شبکه عصبی در هر دو ایستگاه از عملکرد بهتری نسبت به سایر مدل ها برخوردار است، به نحوی که در ایستگاه قلهک 006/0RMSE=، 004/0MAE=، 99/0 IA=و در ایستگاه تجریش 004/0 RMSE=، 002/0 MAE=، 1 IA=بود. مدل درخت تصمیم بعد از مدل شبکه عصبی عملکرد مطلوبی از خود نشان داد و مدل رگرسیون خطی چندگانه بعد از مدل شبکه عصبی و درخت تصمیم عملکرد بهتری نسبت به مدل رگرسیون مبتنی بر تحلیل مؤلفه های اصلی ارائه نمود. روش تحلیل مؤلفه های اصلی علی رغم آنکه توانست همبستگی بین داده های ورودی و تعداد پارامترهای ورودی به مدل را کاهش دهد باعث بهبود عملکرد مدل رگرسیون نشد.

سابقه و هدف: از جمله عوامل حایز اهمیت در مدیریت و برنامه ریزی منابع آب پیش بینی مقدار رواناب می باشد. با افزایش دقت در پیش بینی رواناب رودخانه مدیریت و برنامه ریزی کارآمدتری صورت می گیرد بنابراین بهبود مدلسازی پیش بینی رواناب امری ضروری است. اولین هدف از این مطالعه ارزیابی کارایی مدلهای رگرسیون چندمتغیره خطی، درخت تصمیم M5 و سری زمانی در پیشبینی رواناب رودخانه است. هدف دوم بررسی مقیاس زمانی مدلسازی (ماهانه و فصلی) و نیز تاثیر ورودی های مدل (یک متغیر با گام های تاخیر و چند متغیر با گامهای تاخیر) بر دقت مدلهای مورد مطالعه است. مواد و روش ها: در این پژوهش حوضه آبریز ناورود واقع در غرب استان گیلان جهت منطقه مطالعاتی انتخاب گردیده است. داده های مورد نیاز دو ایستگاه خرجگیل در سال های 1398-1368 و خلیان در سال های 1397-1375 شامل دبی، بارش و دما در مقیاس زمانی ماهانه از آب منطقه ای استان گیلان جمع آوری شده است. مقدار رواناب توسط داده های دریافت شده در بازه زمانی ماهانه و فصلی با استفاده سه مدل رگرسیون چند متغیره خطی، سری زمانی و درخت تصمیم M5 در دو رویکرد متفاوت پیش بینی شده است. رویکرد اول متغیرهای ورودی به مدل شامل دبی، بارش و دما با 3 گام تاخیر زمانی و در رویکرد دوم تنها متغیر دبی با 3 گام تاخیر زمانی بوده است. شاخص های ارزیابی در این پژوهش شامل میانگین انحراف خطا (MBE)، ضریب کارایی نش (NSE) و ضریب تعیین (R^2) می باشد. یافته ها یافته ها: در رویکرد اول و در پنجره زمانی ماهانه مدل درخت تصمیم M5 با شاخص MBE، NSE 04/0-، 80/0 (آموزش) و 01/0، 72/0 (آزمون) در ایستگاه خرجگیل و 01/0-، 79/0 (آموزش) و 00/0، 82/0 (آزمون) در ایستگاه خلیان بعنوان مدل منتخب انتخاب می گردد. در گام زمانی فصلی نیز مقادیر شاخص ها برای مدل درخت تصمیم M5 در ایستگاه خرجگیل برابر. برابر 02/0، 78/0 (آموزش) 02/0-، 86/0 (آزمون) و در ایستگاه خلیان نیز 01/0-، 79/0 (آموزش) و 00/0، 86/0 (آزمون) می باشد و این مدل در گام زمانی فصلی در رویکرد اول نیز بهترین مدل مورد مطالعه بوده است. رویکرد دوم در هر دو گام زمانی ماهانه و فصلی منجر به یافته های متفاوتی شده است. در رویکرد دوم در گام زمانی ماهانه مقادیر شاخصها برای مدل سری زمانی در دو مرحله آموزش و آزمون در ایستگاه خرجگیل بهترتیب برابر 05/0-، 47/0 و 10/0، 52/0 و در ایستگاه خلیان برابر با 02/0-، 63/0 و 02/0، 49/0 بوده است. در گام زمانی فصلی نیز مقادیر شاخص های مدل منتخب در دو مرحله آموزش و آزمون در ایستگاه خرجگیل 42/0-، 58/0 و 06/0، 83/0 و خلیان 09/0، 40/0 و 10/0-، 62/0 می باشد. در گام زمانی فصلی نیز مدل سری زمانی مدل منتخب در رویکرد دوم می باشد نتیجه گیری: نتایج حاصل از این پژوهش حاکی از آن است که در رویکرد اول در هر دو ایستگاه و در هر دو گام زمانی مدل درخت تصمیم M5 دقت بالاتری در پیش بینی نسبت به دو مدل دیگر از خود نشان داده است در حالیکه در رویکرد دوم مدل درخت تصمیم نتایج با دقت بالا از خود نشان نمی دهد و در مقابل مدل سری زمانی دقت بالاتری نسبت به دو مدل دیگر در هر دو ایستگاه و هر دو گام زمانی داشته است. یافته های این مطالعه بر این موضوع تاکید دارد که رویکرد مورد استفاده در انتخاب ورودی های مدل می تواند به شکل کامل موثری دقت مدلسازی و مدل منتخب را تحت تاثیر قرار دهد.

بارش یکی از مهم­ترین مولفه­های هیدرولوژی و هواشناسی است که پیش­بینی مقادیر آن در زمینه­های مختلفی همچون کشاورزی، شرب، صنعت، بهداشت، اقلیم و محیط­زیست از اهمیت ویژه ای برخوردار است. با توجه به اینکه وقوع، نوع و میزان بارش به عوامل بسیار زیادی بستگی دارد، مدل سازی و پیش­بینی مقدار بارش همواره دارای پیچیدگی ها و چالش های فراوان بوده است. در این پژوهش از داده­های پارامترهای هواشناسی ایستگاه همدیدی تبریز شامل دماهای کمینه، بیشینه و میانگین، رطوبت نسبی میانگین، فشار هوای میانگین، سرعت باد بیشینه و بارش در مقیاس های زمانی روزانه و ماهانه در یک دوره 35 ساله (2020-1986) استفاده شد. از روش های یادگیری ماشین و یادگیری جمعی شامل شبکه عصبی مصنوعی پرسپترون چندلایه (MLP)، جنگل تصادفی (RF)، آدابوست (AB)، تقویت گرادیان (GB)، درختان اضافی (ET) و مدل رگرسیون درخت تصمیم (DTR) برای مدل سازی بارش استفاده شد. بدین منظور 70 درصد از داده­ها برای آموزش و 30 درصد از داده ها نیز برای آزمون مدل ها در نظر گرفته شدند. برای ارزیای مدل های مورد استفاده، از معیارهای آماری ضریب همبستگی (R)، جذر میانگین مربعات خطاها (RMSE)، میانگین خطای مطلق (MAE) و کلینگ گوپتا (KGE) استفاده شد. مطابق نتایج این تحقیق در مقیاس روزانه مدل MLP با 993/0R=، 184/0RMSE= میلی متر، 184/0MAE= میلی متر و 82/0KGE= و مدل ET با 986/0R=، 324/0RMSE= میلی متر، 324/0MAE= میلی متر و 75/0KGE= و در مقیاس ماهانه به ترتیب مدل MLP با 999/0R=، 153/0RMSE= میلی متر، 222/0MAE= میلی متر و 88/0KGE= و مدل ET با 981/0R=، 266/0RMSE= میلی متر، 197/0MAE= میلی متر و 71/0KGE= از بیشترین دقت و کمترین خطا برخوردارند. به طورکلی نتایج این پژوهش نشان دهنده عملکرد بسیار مناسب مدل­های یادگیری ماشین و یادگیری جمعی در مدل سازی بارش در هر دو مقیاس زمانی روزانه و ماهانه است.

تاکنون تحقیقات بسیاری در چهارچوب مدل های خطی یا غیرخطی و با استفاده از مدل های آماری و ابزارهای یادگیری ماشین در هوش مصنوعی برای برآورد نرخ بازده سهام در ایران معرفی شده است. هدف عمده این روش ها استفاده هم زمان از متغیرهای مستقل متفاوت برای بهبود مدل سازی نرخ بازده سهام است؛ درحالی که در فرایند پیش بینی پذیری نرخ بازده، علاوه بر نحوه مدل سازی، میزان همبستگی متغیرهای مستقل با یکدیگر و درنتیجه افزایش اریبی برآوردگرهای مدل نیز از اهمیت ویژه ای برخوردار است. ازاین رو، در این مقاله بر اساس مدل ترکیبی درخت تصمیم و رگرسیون لجستیک به صورت هم زمان متغیرهای اثرپذیر را تشخیص داده شده و سپس مدلسازی غیرخطی نرخ بازده انجام شده است. به منظور بررسی مدل پیشنهادی، اطلاعات 100 شرکت پذیرفته شده در بورس اوراق بهادار طی بازه زمانی 1390-1397 در نظر گرفته و بر اساس مدل پیشنهادی، وزن های انتخاب پرتفوی بهینه برآورد شده است. نتایج بررسی ما نشان می دهد که الگوریتم ترکیبی پیشنهادی، از مدل های رقیب بازدهی بهتری دارد.