بهینه سازی در علوم و مهندسی
علی شیخانی؛ فرشاد حسین زاده لطفی؛ آرش مقصودی
چکیده
در سطح جهان، میزان زایمان‌های زودرس در حال افزایش است، بنابراین مشکلات قابل توجهی در زمینه سلامت، توسعه و اقتصادی ایجاد خواهد شد. زایمان زودرس یکی از دلایل اصلی مرگ و میر و علت قابل توجهی برای از بین بردن توانایی بالقوه انسانی در میان بازماندگان در سراسر جهان است. عوارض زایمان زودرس تنها بزرگترین علت مستقیم مرگ نوزادان است. روش‌های ...
بیشتر
در سطح جهان، میزان زایمان‌های زودرس در حال افزایش است، بنابراین مشکلات قابل توجهی در زمینه سلامت، توسعه و اقتصادی ایجاد خواهد شد. زایمان زودرس یکی از دلایل اصلی مرگ و میر و علت قابل توجهی برای از بین بردن توانایی بالقوه انسانی در میان بازماندگان در سراسر جهان است. عوارض زایمان زودرس تنها بزرگترین علت مستقیم مرگ نوزادان است. روش‌های فعلی برای تشخیص زود هنگام چنین زایمانی ناکافی می‌باشد. یکی از تکنیک‌های امیدوار کننده، که در نظارت بر فعالیت رحمی به رسمیت شناخته شده است، استفاده از الگوریتم‌های یادگیری پیشرفته دستگاه و القای الکتروهیستروگرافی (EHG) است. در این مقاله با طراحی یک ماشین یادگیری، برای تشخیص انواع زایمان انجام شده است. با استفاده از الگوریتم‌های یادگیری عمیق، از سیگنال‌های الکتروهیستروگرافی برای تشخیص تولد زودرس استفاده شده است. نتایج با استفاده از یک مجموعه داده که شامل 262 پرونده برای زنانی است که دارای زایمان واقعی و 38 پرونده برای زنانی که دارای زایمان زودرس بوده‌اند، حاصل شده است. با استفاده از تکنیک "کراس" روی ۴ نوع مجموعه داده با دو روش با آموزش و بدون آموزش، اجرا گردید. نتایج حاص در این تحقیق نشان داد که روی این مجموعه از داده خطای موجود یک درصد بوده است.
تصمیم گیری براساس شبکه عصبی/ یادگیری عمیق
امین اله ضرقامی؛ میثم دعائی؛ آبتین بوستانی
چکیده
هدف: اخراج شرکت‌ها با وجود اهمیت در مسایل اقتصادی و اجتماعی جامعه، کم‌تر در ادبیات مالی مورد‌‌توجه قرار گرفته است. این موضوع از آن جهت دارای اهمیت است که برای هر کشور، یکی از معیارهای سنجش اقتصادی، حجم بازار سرمایه می‌باشد؛ بنابراین اخراج شرکت‌ها نه‌تنها باعث از بین رفتن اعتبار شرکت، قیمت سهام و بازار فروش سهام آن شرکت ...
بیشتر
هدف: اخراج شرکت‌ها با وجود اهمیت در مسایل اقتصادی و اجتماعی جامعه، کم‌تر در ادبیات مالی مورد‌‌توجه قرار گرفته است. این موضوع از آن جهت دارای اهمیت است که برای هر کشور، یکی از معیارهای سنجش اقتصادی، حجم بازار سرمایه می‌باشد؛ بنابراین اخراج شرکت‌ها نه‌تنها باعث از بین رفتن اعتبار شرکت، قیمت سهام و بازار فروش سهام آن شرکت می‌شود بلکه بر رشد بازار و اقتصاد هر کشور نیز موثر است. پژوهش حاضر به دنبال بررسی صورت‌های مالی و گزارش حسابرسی شرکت‌های فعال و مقایسه آن با شرکت‌های لغوپذیرششده می‌باشد تا به کمک فنون مدل‌سازی هوش مصنوعی، مدلی را برای پیش‌بینی شرکت‌های لغوپذیرششده در بورس اوراق بهادار تهران طراحی نماید.روش‌شناسی پژوهش: در این پژوهش که روی شرکت‌های بورس اوراق بهادار تهران انجام پذیرفته است، داده‌های مربوط به سه سال قبل از اخراج 73 شرکت حذف‌شده از بورس از سال 1382 تا سال 1397 در گروه اول و داده‌های 148 شرکت فعال که به‌صورت مستمر در بورس حضور داشتند در گروه دوم و با روش حذفی سیستماتیک انتخاب گردیدند. سپس با تکنیک‌های داده‌کاوی که از کارآمدترین و به‌روزترین مدل‌های هوش مصنوعی هستند و به کمک طبقه‌بندهای شبکه عصبی پرسپترون چندلایه، درخت تصمیم، و طبقه‌بند نظریه بیز به پیش‌بینی شرکت‌های لغوپذیرششده از بورس پرداخته شده است.یافته‌ها: یافته‌ها نشان می‌دهد بهترین عملکرد را طبقه‌بند بیز داشته است و شبکه عصبی پرسپترون چندلایه در جایگاه دوم و طبقه‌بند درخت تصمیم در جایگاه سوم قرار گرفته است.اصالت/ارزش افزوده علمی: پژوهش‌های کمی در حوزه پیش‌بینی اخراج شرکت‌ها از بازار سرمایه در ایران شده است. این پژوهش با پر کردن این گپ، به پژوهشگران پیشنهاد داده است با استفاده از سایر طبقهبندها، ترکیب کردن چندین طبقه‌بند با یکدیگر به‌منظور پوشش بهتر خطاهای هر یک، ترکیب کردن طبقهبندها با یکدیگر و وزن‌دهی به روشی که دقت بالاتری داشته باشد، اضافه کردن سایر متغیرهای تاثیرگذار در اخراج شرکت‌ها از جمله ساختار مالکیت و ترکیب سهام‌داران میتواند نتایج دیگری به دست آید.
