به جمع مشترکان مگیران بپیوندید!

تنها با پرداخت 70 هزارتومان حق اشتراک سالانه به متن مقالات دسترسی داشته باشید و 100 مقاله را بدون هزینه دیگری دریافت کنید.

برای پرداخت حق اشتراک اگر عضو هستید وارد شوید در غیر این صورت حساب کاربری جدید ایجاد کنید

عضویت
فهرست مطالب نویسنده:

mohammad javad kargar

  • محمدرضا حمیدی زاده، محمد جواد کارگر *، محمد حمیدیان
    در این پژوهش، مدلی برای پیش بینی مصرف برق سالیانه ایران بر اساس معیارهای اقتصادی و با استفاده از شبکه های عصبی مصنوعی ارائه و همچنین تاثیر اجرای طرح هدفمندسازی یارانه ها در اولین سال اجرای این طرح بر مصرف برق سالیانه ایران بررسی شده است. بدین صورت که شبکه عصبی نارکس متغیرهای جمعیت و تولید ناخالص داخلی را به عنوان ورودی دریافت کرده و خروجی آن مصرف برق سالیانه در ایران است. برای آزمودن و آموزش شبکه طراحی شده، داده های سال های 1362 تا 1389 جمع آوری شده است که داده های چهار سال آخر برای آزمودن عملکرد شبکه مورد استفاده قرار گرفته است. برای بررسی میزان دقت پیش بینی شبکه طراحی شده، دو مدل شبکه عصبی پرسپترون و مدل سری زمانی آریما نیز طراحی گردیده است که مقایسه نتایج نشان می دهد که شبکه عصبی نارکس توانایی بالاتری در پیش بینی مصرف برق ایران دارد. در این مدل با لحاظ شدن عوامل کلیدی تاثیر گذار بر مصرف برق، مصرف برق سالیانه ایران در سال های قبل از اجرای هدفمندی یارانه ها با دقت بالایی پیش بینی می شود و بر این اساس میزان مصرف برق ایران در سال 1390 و بررسی این روند در سال های 1391 و 1392 بیانگر تاثیر اجرای طرح هدفمندی یارانه ها در اولین سال پس از اجرای آن بر مصرف برق سالیانه کشور است. کاهش نسبتا محسوس مصرف برق در این سال نسبت به پیش بینی مدل ارائه شده موید این تاثیر است. نتایج پژوهش حاکی از آن است که با توجه به ساختار شبکه عصبی نارکس و تاثیر تدریجی عامل زمان بر آن از این مدل می توان برای پیش بینی مصرف برق سالیانه کشور استفاده نمود.
    کلید واژگان: پیش بینی مصرف برق، شبکه عصبی نارکس، شبکه عصبی پرسپترون، مدل آریما، هدفمندسازی یارانه ها
    Mohammadreza Hamidizadeh, Mohammadjavad Kargar *, Mohammad Hamidian
    In this research a model has been designed for predicting Iran’s electricity annual consumption based on economic criteria and by means of artificial neural networks. Moreover, the effect of implementing targeted subsidies plan on annual electricity consumption of Iran has been studied. In such a way that Narx neural network takes Iran population and GDP variables as input and generates Iran annual electricity consumption as output. For testing and teaching the designed network, data related to the years 1362 to 1389 were collected and the last 4 years data has been collected for testing the network performance. For studying the accuracy degree of designed network, Perceptron neural network model and Arima time series model also were designed .And comparison of results shows that Narx neural network is more powerful in predicting Iran electricity consumption. Considering the key factors affecting electricity consumption in this model, Iran electricity consumption in the years before implementing the targeted subsidies could be predicted with a high accuracy and therefore the amount of electricity consumption in Iran during the year 1390, 91 and 92 shows the effect of subsidies targeting plan on Iran electricity consumption in first year of implementing it. The tangible decrease in electricity consumption in that year in comparison to designed model is a bare witness for this effect. Findings of research shows that according to Narx neural network and the graduate effect of time on it ,this model could be used for predicting the annual consumption of electricity inside the country.
    Keywords: electricity consumption forecasting, Narx neural network, Perceptron neural network, Arima Model, making subsidies targeted
  • Samira Babalou, Mohammad Javad Kargar, Seyyed Hashem Davarpanah
    Ontology is the main infrastructure of the Semantic Web which provides facilities for integration, searching and sharing of information on the web. Development of ontologies as the basis of semantic web and their heterogeneities have led to the existence of ontology matching. By emerging large-scale ontologies in real domain, the ontology matching systems faced with some problem like memory consumption. Therefore, partitioning the ontology was proposed. In this paper, a new clustering method for the concepts within ontologies is proposed, which is called SeeCC. The proposed method is a seeding-based clustering method which reduces the complexity of comparison by using clusters’ seed. The SeeCC method facilitates the memory consuming problem and increases their accuracy in the large-scale matching problem as well. According to the evaluation of SeeCC's results with Falcon-AO and the proposed system by Algergawy accuracy of the ontology matching is easily observed. Furthermore, compared to OAEI (Ontology Alignment Evaluation Initiative), SeeCC has acceptable result with the top ten systems.
    Keywords: Ontology matching, Clustering method, Large, scale matching, Semantic graph
بدانید!
  • در این صفحه نام مورد نظر در اسامی نویسندگان مقالات جستجو می‌شود. ممکن است نتایج شامل مطالب نویسندگان هم نام و حتی در رشته‌های مختلف باشد.
  • همه مقالات ترجمه فارسی یا انگلیسی ندارند پس ممکن است مقالاتی باشند که نام نویسنده مورد نظر شما به صورت معادل فارسی یا انگلیسی آن درج شده باشد. در صفحه جستجوی پیشرفته می‌توانید همزمان نام فارسی و انگلیسی نویسنده را درج نمایید.
  • در صورتی که می‌خواهید جستجو را با شرایط متفاوت تکرار کنید به صفحه جستجوی پیشرفته مطالب نشریات مراجعه کنید.
درخواست پشتیبانی - گزارش اشکال