شبکه خودسازمانده پویا با یادگیری نیمه ناظر در بسیاری از کاربردها نظیر خوشه بندی داده ها کاربرد دارد. محاسبه پارامترهای شبکه خودسازمانده شامل شکل و ساختار لایه خوشه بندی، سطح فعال سازی و وزن های لایه طبقه بندی از جمله مسایل چالش برانگیز و مهم آن است. راهکارهای ارائه شده فعلی از روش های ابتکاری و با یک نگاه محلی سعی در تعیین این پارامترها دارند که در اثر آن، نتایج این الگوریتم ها وابستگی بالایی به شرایط دارد. این مقاله یک روش یادگیری نیمه ناظر مبتنی بر شبکه خودسازمانده پویا و یادگیری حداکثری را برای اولین بار مورد بررسی قرار می دهد. روش پیشنهادی، بدون محاسبه مستقیم پارامترهای شبکه خودسازمانده پویا و با استفاده از روش یادگیری حداکثری، کلاس هر داده را تعیین می کند. خطای حاصل از بازخورد سیستم، هم در یادگیری حداکثری و هم در بهینه سازی شبکه خودسازمانده پویا مورد استفاده قرار می گیرد. در این مقاله، علاوه بر بررسی تحلیلی همگرایی روش پیشنهادی، روش حداکثری ترتیبی برای شبکه نیمه ناظر خودسازمانده پویا ارائه شده است. آزمایش های انجام شده بر روی داده های برخط و با برچسب جزئی نشان می دهند که روش پیشنهادی از نظر دقت، نسبت به روش نیمه ناظر خودسازمانده پویا برتری نسبی دارد.

هدف اصلی این مقاله بررسی تأثیر هم سویی راهبرد تولید و عدم اطمینان محیطی بر بهبود عملکرد کسب وکار در صنایع غذایی ایران است. در این پژوهش با استفاده از رویکرد گشتالت، علم رده بندی از راهبردها از طریق گروه بندی شرکت ها به خوشه هایی با ویژگی های مشترک مبتنی بر شبکه عصبی خودسازمانده شکل می گیرد. خروجی شبکه عصبی و شاخص های اعتبارسنجی خوشه ها در 247 شرکت متوسط و بزرگ فعال در صنایع غذایی نشان می دهد که تعداد ترکیبات بهینه برای راهبرد تولید چهار خوشه و تعداد ترکیبات بهینه برای عدم اطمینان محیطی نیز چهار خوشه است. نتایج حاکی از آن است که شرکت های کارا در محیط هایی با عدم اطمینان تقاضای پایین و عدم اطمینان عرضه پایین، شرکت های ریسک گریز در محیط هایی با عدم اطمینان تقاضای پایین و عدم اطمینان عرضه بالا، شرکت های پاسخگو در محیط هایی با عدم اطمینان تقاضای بالا و عرضه پایین و شرکت های انعطاف پذیر در محیط هایی با عدم اطمینان تقاضای بالا و عدم اطمینان عرضه بالا عملکرد بالاتری دارند.

این مقاله ضمن ارائه مدلی ترکیبی از شبکه های عصبی مصنوعی، به بررسی توان پیش بینی کنندگی آنها در مقایسه با مدل های منفرد می پردازد. در این بررسی، با استفاده از شبکه های عصبی ترکیبی متشکل از شبکه های پیش خور و خودسازمانده کوهونن اقدام به پیش بینی قیمت سهام شده است. نتایج آزمایشات محاسباتی در پیش بینی قیمت سهام در بازار بورس تهران نشان می دهد که ترکیب شبکه خودسازمانده کوهونن با شبکه پیش خور، در مقایسه با مدل منفرد شبکه پیش خور که پرکاربردترین مدل شبکه های عصبی مصنوعی در حوزه پیش بینی است، عملکرد بهتری در پیش بینی قیمت سهام ارائه می کند.

با توجه به اینکه در سال های اخیر ارتباط دو طرفه سازمان ها با مشتریانشان به صورت محسوسی تغییر کرده، تداوم کسب و کار هیچ گونه تضمین بلند مدت ندارد. لذا سازمان ها به جهت حفظ توانایی رقابت در این بازار نامطمئن، میبایست مشتریان خود را به خوبی شناسایی، نیاز ها و خواسته های آن ها را پیش بینی نموده و با مجهز شدن به این اطلاعات و ارائه استراتژی های بازاریابی کارآمد در جهت حفظ و بقای خود تلاش نمایند. با توجه به اهمیت و سهم بالای درآمد بنادر ایران در اقتصاد داخلی و وجود رقابت شدید بین بنادر منطقه، ضرورت شناسایی مشتریان کلیدی و تعیین نیازها و خواسته های آنها برای سازمان بنادر و دریانوردی بیشتر از گذشته احساس می گردد. از سوی دیگر داده کاوی که علم تجزیه و تحلیل داده ها است به عنوان پل ارتباطی بین قسمت هایی از داده معرفی می شود. در همین خصوص ابزارهایی در داده کاوی مانند خوشه بندی و طبقه بندی وجود دارند که شرایط لازم برای ارائه خدمت مورد نظر به مشتریان خوشه هدف و برقراری ارتباط تنگاتنگ با آن ها را برای سازمان ایجاد می نماید. در این پژوهش تحلیل RFM روی داده های پردازش شده 595 مشتری سازمان بنادر در طول یکسال انجام و فرایند خوشه بندی با استفاده از خروجی تحلیل RFM و دو الگوریتم خوشه بندی K-means و SOM انجام می گردد که به منظور تعیین تعداد بهینه خوشه ها از شاخص سیلوئت استفاده می گردد (12 خوشه تعیین گردید). در انتها کیفیت خوشه ها با استفاده از معیار انحراف معیار داده های درون خوشه ها ارزیابی و نتایج به دست آمده از دو روش مقایسه می گردد. با توجه به اینکه کیفیت خوشه های حاصل از الگوریتم SOM بهتر از k-means می باشد بر اساس خوشه های به دست آمده از الگوریتم SOM بدین ترتیب مشتریان کلیدی و با ارزش مشخص می گردد. بر اساس تجزیه و تحلیل نتایج مشخص گردید مشتریان خوشه های 9 و 12 منتج از الگوریتم SOM با دارا بودن الگوی ↑ M ↑F ↑R بیشترین ارزش و وفاداری را برای سازمان بنادر دارند و مهمترین مشتریان سازمان بنادر محسوب می شوند و مشتریان خوشه نخست منتج از الگوریتم SOM با دارا بودن الگوی↓M↓F↓R کمترین میزان ارزش و وفاداری را برای سازمان بنادر دارند.

امروزه چالش های حوزه امنیت اطلاعات و ارتباطات بسیار مورد توجه محققین است. گسترش مرزهای شبکه، افزایش و پیچیدگی حملات امنیتی شبکه، نیاز به وجود سامانه های هوشمند، خودکار و بی درنگ کشف ناهنجاری و تهدیدات شبکه را دوچندان نموده است. برای کشف ناهنجاری، لازم است ترافیک شبکه به صورت بی درنگ مورد پایش قرار گیرد. ناهنجاری شامل تغییرات قابل توجه و غیرمعمول رفتار ترافیک شبکه در مقایسه با الگوهای رفتار نرمال آن است. در این مقاله به منظور کشف ناهنجاری، یک سامانه مبتنی بر سیستم های چندعامله خودسازمانده ارایه شده است. سیستم های چندعامله از عامل هایی که با یکدیگر برای رسیدن به هدف مشخصی تعامل دارند تشکیل شده اند. از این سیستم ها برای حل مسایلی استفاده می شود که حل آن برای یک عامل و یا به صورت یکپارچه مشکل است. معماری سامانه پیشنهادی مقیاس پذیر است و می تواند خود را با تغییرهای شبکه های امروزی وفق دهد. ارزیابی و تحلیل انجام شده روی سامانه پیشنهادی در مجموعه-داده NSL-KDD، نشان می دهد نرخ کشف ناهنجاری در ترافیک شبکه در مقایسه با روش های مطرح اخیر بهبود یافته است. همچنین با پیشنهاد الگوریتم هایی برای بهینه کردن انتخاب عامل ها و تعیین وزن تصمیم به طور هوشمند برای عامل ها، علاوه بر افزایش نرخ تشخیص ناهنجاری، زمان تحلیل رخدادها نیز کاهش داده شده است.

امروزه شناسایی لندفرم ها و طبقه بندی زمین مبتنی بر روش کارشناسی است که به صورت دستی و با استفاده از عکس های هوایی و نقشه های توپوگرافی انجام می شود و روشی وقت گیر و دارای دقت کمی است. از این رو، استفاده از روش های نیمه خودکار و خودکار به منظور طبقه بندی لندفرم ها برای افزایش دقت و سرعت کار ضروری به نظر می رسد. این پژوهش سعی دارد که به طبقه بندی لندفرم ها بر اساس الگوریتم شبکه های عصبی خودسازمانده (SOM) در حوضه آبخیز گاوخونی بپردازد. پژوهش از نوع تحلیل و توصیفی مبتنی بر روش های آماری، نرم افزار و میدانی است؛ بدین صورت که به منظور استفاده از الگوریتم SOM برای طبقه بندی لندفرم ها از شش پارامتر استفاده شد شامل جهت (aspect)، ارتفاع (elevation)، شیب (slope)، پروفیل طولی و عرضی (plan, profile) و انحنا (curvature). برای این منظور، ابتدا با استفاده از شاخص موقعیت توپوگرافی (TPI)، لندفرم های منطقه مورد مطالعه طبقه بندی شد. از کلاس های لندفرم حاصل از TPI به منظور آموزش مدل SOMاستفاده شد. در مرحله بعد، پنجاه نقطه به عنوان نمونه برای آموزش شبکه استفاده شد. نتایج حاصل از طبقه بندی لندفرم ها با استفاده از الگوریتم SOM نشان داد که شش خوشه (کلاس) در محدوده مورد مطالعه وجود دارد، به طوری که خوشه 1 و 5 شامل لندفرم هایی است که در ارتفاعات زیاد قرار دارد و خوشه 3 شامل لندفرم هایی است که در کمترین ارتفاع واقع شده است. بقیه خوشه ها شامل لندفرم هایی هستند که در ارتفاعات متوسط در حوضه آبخیز مورد مطالعه قرار دارد. بنابراین از الگوریتم فوق می توان به منظور پیش بینی لندفرم های منطقه مورد مطالعه استفاده کرد.