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

امروزه به دلیل گستردگی رقابت در دنیای تجارت الکترونیکی، روشهای موثر در جذب مشتریان از اهمیت ویژه ای برخوردار شده اند. یکی از این روشها، بکارگیری سیستمهای پیشنهادگر در وبگاه های تجاری است تا بدین ترتیب امکان استخراج علایق مشتریان و پیشنهاد مناسب ترین محصولات به آنها میسر گردد. در این مقاله، مدل جدیدی برای سیستمهای پیشنهادگر ارایه شده است که به کمک آن می توان بخش بندی بازار و مشتری را به شیوه کارآمدتری انجام داده و در نتیجه پیشنهادات بهتری به مشتری ارایه داد. بدین منظور از روشهای داده کاوی همچون خوشه بندی و قواعد انجمنی استفاده شده است، به طوریکه در فاز اول خوشه بندی مشتریان بر اساس مشخصه های جمعیت شناختی سن، جنسیت، شغل و تحصیلات انجام شده است که در آن تعداد خوشه ها با استفاده از الگوریتم نقشه خودسازمانده (SOM) مشخص شده و سپس خوشه ها با الگوریتم K میانگین (K-Means) ایجاد گردیده اند. در فاز دوم با استفاده از قواعد انجمنی در هر خوشه، نقشه ای معتبر انتخاب شده و بر اساس آن به مشتریان آن خوشه، پیشنهادات مناسب گوناگونی ارائه شده است. برای بررسی کارایی مدل پیشنهادی، از آن در تحلیل داده های یک وبگاه تجاری ایرانی برای پیشنهاددهی به مشتریان استفاده گردیده است که نتایج مناسبی از خوشه بندی و ارایه پیشنهادات حاصل شد.

این مقاله یک مدل شبکه عصبی تلفیقی برای پیش بینی پیک بار الکتریکی (PLF) روزانه ارایه می کند. از آنجایی که الگوهای مشابهی در داده های پیک بار وجود دارد، خوشه بندی داده ها دقت پیش بینی ها را افزایش خواهد داد. اکثر خوشه بندی های ارایه شده در ادبیات بدون دلیل و صرفا شهودی بوده اند. در این مقاله، ما رویکرد جدیدی برای خوشه بندی داده ها با استفاده از دو نقشه خودسازمانده پیاپی ارایه می کنیم. یک شبکه عصبی پیشخوراند (FFNN) برای هر یک از خوشه ها جهت پیش بینی PLF توسعه داده شده است. جهت ارزیابی اثربخشی مدل تلفیقی پیشنهادی، پیش بینی بوسیله توسعه یک شبکه عصبی پیشخوراند که از داده های خوشه بندی نشده استفاده می کند، انجام شده است. نتایج برتری اثربخشی مدل تلفیقی پیشنهادی را ثابت می کند. همچنین، مدل های رگرسیون خطی برای PLF توسعه داده شده است و نتایج نشان می دهد که مدل تلفیقی پیشنهادی به میزان قابل توجهی، پیش بینی های بهتری را نسبت به مدل های رگرسیون خطی تلفیقی تولید می کند. لازم بذکر است که از داده های پیک بار شرکت برق منطقه ای تهران جهت آزمایش و اعتبارسنجی مدل استفاده شده است.

به منظور مدل سازی سیستم حرکتی انسان در انجام حرکات مهارتی، مدلی با ساختار سلسله مراتبی سه لایه ارایه شده است. در هر سطح براساس میزان دقت و کیفیت امر کنترل، کنترل کننده خاصی وارد عمل شده و عمل کنترل در آن سطح را انجام می دهد. در سطح اول، مفاهیم کنترلی به صورت عام و کیفی مورد بررسی قرار می گیرد و وظیفه آن، حفظ پایداری سیستم براساس اطلاعات کیفی دریافتی از سطح دوم مانند کاهش یا افزایش خطا می باشد. در این سطح، از یک کنترل کننده خودسازمانده برای تولید فرامین حرکتی عام استفاده می گردد که نقش تشویق و تنبیه را برای تضمین پایداری سیستم  با ارسال فرمان های گسسته به سطح دوم ایفا می کند. این کنترل کننده با توجه به وظیفه خود، تنها در زمانی که کنترل کننده سطح دوم به تنهایی قادر به حفظ پایداری سیستم نباشد، وارد عمل شده و پایداری را تضمین می کند. سطح دوم، امر کنترل را به صورت کمی تر و دقیق تری دنبال می کند و عمل تطبیق در این سطح صورت می گیرد. اطلاعاتی که ازن سطح عموما از مسیرهای فیدبک حسی و چشمی دریافت می کند، مفاهیم دقیق تری از عملکرد کنترلی را شامل می شوند (مانند میزان خطای موجود در انجام حرکت). در سطح دوم از کنترل کننده پیش بین مبتنی بر مدل برای تولید فرامین کنترلی کمی تر و دقیق تر استفاده شده است که در واقع خط سیر حرکتی را تعیین می کند. یک سوییچ فازی، فرامین کنترلی سطح اول و دوم را براساس روش کنترل مود لغزان برای ایجاد یک سیستم کنترل مقاوم تلفیق می کند. در سطح سوم نیز این فرامین حرکتی، با تعیین عضلات درگیر و نحوه هماهنگی آنها در انجام حرکت مورد نظر، تفسیر می شود و به عضلات، فرامین حرکتی مناسب اعمال می گردد. اطلاعات دریافتی در این سطح عموما در مورد میزان مشارکت عضلات در انجام حرکت و نیز تاثیر محیط روی سیستم حرکتی است که توسط فیدبک های حسی به این سطح منتقل می شوند. مدل ارایه شده با چنین ساختار سلسله مراتبی، قابلیت مناسبی در کنترل و حفظ پایداری سیستم دارد. نتایج شبیه سازی ها این موضوع را تایید می کند.

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.

با توجه به اهمیت سیستم های بانکداری و سوء استفاده از این بستر برای مقاصد پولشویی، نیاز مبرم به پیاده سازی سیستم های ضد پولشویی از طرف دولت ها و موسسات سیاست گذار در امور اقتصادی مورد توجه است. همچنین با توجه به رشد تروریسم و تقلب های سازماندهی شده و از طرفی تصویب قوانین متعدد علیه این موارد نیاز به این سیستم ها در حال افزایش است. از سوی دیگر، پیچیدگی رفتار های مشکوک به پولشویی به گونه ای است که بدون ابزاری هوشمند و داده محور نمی توان در کشف پولشویی اقدام قابل توجهی انجام داد. نکته مهم و شاید کاربردی در ایران نزدیکی این سیستم ها با سیستم های ضد رشوه خواری، تقلب، تخلف و سیستم های بازرسی است که می تواند به عنوان ابزاری کارآمد برای واحد بازرسی بانک تلقی گردد. در این مقاله رویکردی مبتنی بر آنالیز و پردازش داده ها پیشنهاد می شود. در این رویکرد با استفاده از نقشه های خودسازمانده شعب بانک بر اساس رفتارهای مشابه خوشه بندی می شوند سپس با استفاده از یک شاخص خطی فرایند برچسب-گذاری شعب صورت می گیرد. در مرحله بعد با استفاده از آموزش یک شبکه عصبی چند لایه، الگویی جهت شناسایی شعب بانک که در آنها فرایند های مشکوک پولشویی صورت می گیرد معرفی می شود.

بررسی تغییرات منابع آب زیرزمینی در برنامه ریزی و مدیریت پایدار منابع آب هر منطقه از اهمیت فراوانی برخوردار است. هدف از این پژوهش، بررسی روند موجود و دوره زمانی مؤثر در روند تراز آب زیرزمینی در مقیاس ماهانه در 15 ایستگاه پیزومتری دشت اردبیل با استفاده از روش های ناپارامتری من-کندال، ابزار پیش پردازش زمانی (تبدیل موجک گسسته) و روش پیش پردازش مکانی (نقشه خود سازمانده) است. ابتدا روش خوشه بندی نقشه خود سازمانده برای تقسیم مکانی تراز آب زیرزمینی به خوشه های همگن استفاده شد. سپس تبدیل موجک برای استخراج ویژگی های دینامیکی و چند مقیاسی برای نا ایستایی داده های تراز آب زیرزمینی پیزومترهای مرکزی در سطح 3 استفاده شد. آزمون من-کندال به ترکیبات مختلفی از تبدیل موجک گسسته بعد از حذف ارتباط معنی دار مرتبه اول برای محاسبه زیر سری جزئی مسئول در روند سری های زمانی پیزومترهای مرکزی اعمال شد. نتایج روند منفی را در منطقه مورد مطالعه نشان داد. در بیشتر سری های زمانی تراز آب زیرزمینی زیر سری جزئی در سطح 3 در ترکیب با زیرسری تقریبی به عنوان مؤلفه زمانی تأثیرگذار شناخته شد.

انرژی گراف توسط کاتمن در دهه 1970 مطرح شد و پس از آن انواع مختلفی از انرژی بر حسب ویژگی های گراف تعریف شده است. انرژی گراف G عبارتست از مجموع قدرمطلق مقادیرویژه آن. اخیرا خواص طیفی ترکیب محدب A_α,(G)≔, α, D(G)+(1-α, )A(G) 0≤, α, ≤, 1 که ( A(G ماتریس مجاورت و (D(G ماتریس قطری درجه های گراف Gاست، مورد توجه قرار گرفته و ویژگی های طیفی ان بررسی شده است. ما در این مقاله به بررسی انرژی و انرژی حلال (A_α,(G که G یک گراف ساده بدون جهت است، می پردازیم. نشان می دهیم انرژی حلال (A_α,(G با افزایش α,افزایش می یابد و اگر α, >1/2 انرژی (A_α,(G نیز افزایشی است. کران هایی برای انرژی (A_α,(G بر حسب درجه راسهای گراف ارایه می دهیم. . همچنین، کران هایی برای انرژی ( A_α,(G در صورتی که G یک گراف منتظم باشد، بیان می کنیم. سپس، انرژی و انرژی حلال گرافهای مسیر P_n و دور C_n را محاسبه می کنیم و در آخر انرژی (A_α,(G را برای گراف های کامل K_n، دوبخشی کامل (K_(a, b و ستاره (K_(1, n-1 محاسبه می کنیم.