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
جستجوی مقالات مرتبط با کلیدواژه

adaptive neural fuzzy inference system

در نشریات گروه علوم انسانی
تکرار جستجوی کلیدواژه adaptive neural fuzzy inference system در مقالات مجلات علمی
  • سمیرا شهرکی*، مهدی خزاعی پور، شراره ملبوسی

    دی اکسیدنیتروژن یکی از آلاینده هایی است که بیشترین اثرات بد بر سلامتی انسان دارد. اطلاعات پیشرفته در مورد غلظت آن در هوا می تواند به نظارت و کنترل بیشتر عواقب کمک کند و در عین حال اعمال اقدامات پیشگیرانه و کاهش دهنده را آسان تر می کند. فناوری های یادگیری ماشینی با روش ها و قابلیت های موجود می توانند تحلیل های پیشبینی کننده را با دقت بالاتری انجام دهند و در نتیجه می توانند به عنوان یک ابزار حمایتی برای مدیریت مولد عمل کنند. یکی از پیشرفته ترین الگوریتم های یادگیری ماشین، سیستم استنتاج فازی- عصبی تطبیقی است که در این مقاله برای پیشبینی غلظت دی اکسیدنیتروژن استفاده می شود. برای آموزش سیستم استنتاج فازی- عصبی تطبیقی از الگوریتم یادگیری کلاغ استفاده می-شود. تعیین مقادیر بهینه مراکز در توابع عضویت و وزن ها در سیستم ANFIS باعث افزایش دقت آن و کاهش میزان خطا در پیشبینی میزان آلایندگی دی اکسیدنیتروژن می شود. برای این منظور از الگوریتم یادگیری کلاغ برای تعیین مقادیر بهینه مراکز توابع عضویت و وزن ها در مدل ANFIS استفاده می شود تا مقادیر بهینه مراکز توابع عضویت و وزن ها تعیین شود تا با دقت بالایی پیشبینی میزان آلایندگی دی اکسیدنیتروژن انجام شود و در انتها نتایج با شبکه عصبی پایه ای- شعاعی مقایسه شده است. نتایج سیستم استنتاج فازی- عصبی تطبیقی آموزش یافته با الگوریتم یادگیری کلاغ با میانگین مربعات خطا 0.0081 حاکی از عملکرد بهتر سیستم استنتاج فازی- عصبی تطبیقی در مقایسه با شبکه عصبی پایه ای- شعاعی در پیشبینی آلایندگی دی اکسیدنیتروژن با میانگین مربعات خطا 0.0101 می باشد.

    کلید واژگان: پیشبینی آلایندگی، دی اکسیدنیتروژن، سیستم استنتاج فازی- عصبی تطبیقی، الگوریتم یادگیری کلاغ
    Samira Shahraki *, Mehdi Khazaiepoor, Sharareh Malboosi
    Introduction

    Today, air pollution due to continuous urbanization has become a global issue in both social and environmental fields, researches have been conducted in this field, Lim et al. in the capital region of Korea through regression modeling. The results indicate a relatively high concentration of NO2 in winter in the present and future forecasts, which is caused by the high use of fossil fuels in steam boilers and showed climate changes [1]. In 2021, Shams et al. evaluated the accuracy of multi-linear regression and multi-layer perceptron neural networks in predicting the concentration of NO2 in the air of metropolises. The results show that the multi-layer perceptron neural network had a more accurate prediction than the multi-linear regression [2].2- An overview of algorithms2-1- Crow's learning algorithmIn this algorithm, crows are trained based on two more optimal solutions which are parents. Another learning is the learning of each crow from its brothers and sisters, and the behavior of crows to hunt worms that are inside the tree trunk is used for modeling. In Crow's algorithm, parents X1, X2 reward their behaviors according to the following matrix. (1) F=2-2- adaptive neural fuzzy inference system ANFIS structure has a good capability in training, construction and classification. Its learning rule is based on the error backpropagation algorithm by minimizing the mean squared error between the network output and the real output. [3]. Figure 1- simple diagram of ANFIS [3] 2-3- Basal-radial neural networkRadial-based neural network is used for non-parametric estimation of multidimensional functions from a limited set of training information. In this network, the hidden layer plays an important role in converting non-linear patterns into linear separable patterns. which is in the form of relation (3):(3) "f" ("x")"=" ∑_"i=1" ^"p" ▒〖"w" _"i" "φ(" 〖"Xc" 〗_"i" "-x)"3- Steps of the proposed

    method

    All steps of the proposed method include pre-processing (cleaning, normalization and feature selection) and post-processing (proposed method).In this article, the data of Tehran meteorological station is used, which includes 1000 data samples with 23 features.Then, the fuzzy-neural adaptive inference system is used to predict the amount of nitrogen dioxide pollution. Crow learning algorithm is used to train this system. Figure 3- The structure of ANFIS neural-fuzzy inference systemTo select the parents based on the competence of the population members, the two crows that have the most competence are considered as parents.Figure 4- The learning phase and the new position of the crow after the learning phaseThen, in the evaluation stage, the objective function is called and the mean square error is calculated. Finally, the termination conditions of the iteration are checked based on the lower mean square error. 4- Simulation results 4-1- Prediction results with the proposed method The parameters of the population size of crows are 50 and the maximum number of repetitions is 500, the type of fuzzy inference system is Sogno type and Gaussian input membership functions are considered. Table 1- Types of errors in the proposed method in predicting NO2.Figure 5- Error histogram for training and testing data in the proposed method.Figure 6- Target outputs and outputs of the proposed method for training data.adial-basal neural network.Figure 10 - Target outputs and radial-basis neural network for training data.Figure 11 - Target outputs and radial-basis neural network for the entire test data.Figure 12 - Target outputs and base-radial neural network outputs for the whole data

    Conclusion

    This article is based on predicting the amount of nitrogen dioxide pollution using machine learning methods. According to tables (1) and (2), the fuzzy-adaptive neural inference system trained with the crow learning algorithm and the radial basis neural network performed the prediction with mean square error of 0.0081 and 0.0101, respectively. Therefore, the best performance belongs to the adaptive neuro-fuzzy inference system trained with the crow learning algorithm.

    Keywords: Pollution Prediction, Nitrogen Dioxide, Adaptive Neural Fuzzy Inference System, Crow Learning Algorithm
  • ماریام یوخنه القیانی، جمال بحری ثالث *، سعید جبارزاده کنگرلوئی، اکبر زواری رضایی

    گاهی شرکت ها به تدوین گزارش های مالی متقلبانه در راستای تقلب مالیاتی می پردازند. هدف پژوهش پیش رو، ترکیب ابزارهای داده کاوی و هوش مصنوعی همراه با الگوریتم های فراابتکاری جهت تبیین و بهینه سازی مدلی در شناسایی تقلب و فرار مالیاتی با به کارگیری ظرفیت گزارش های مالی شرکت هاست. به منظور گردآوری داده های پژوهش، گزارش های مالی شرکت های پذیرفته شده در بورس اوراق بهادار تهران شامل 1056 سال- شرکت در سال های 1385 تا 1398 مورد بررسی قرارگرفته است. ابتدا اثرگذاری نشانگرهای کیفی و کمی برگرفته از گزارش های مالی به روش کلاسیک بررسی، پالایش و سپس جهت تبیین مدل در سیستم استنتاج فازی- عصبی تطبیقی (ANFIS) به کارگرفته شد. مدل مذکور در مرحله بهینه سازی و با هدف بیشینه سازی قدرت تشخیص، با الگوریتم های بهینه سازی فراابتکاری شامل الگوریتم ژنتیک، الگوریتم بهینه سازی ازدحام ذرات و الگوریتم تکامل تفاضلی ترکیب و توسعه یافت. یافته های پژوهش نشان می دهد که از حیث قدرت پیش بینی در میان الگوریتم های بهینه سازی به-کارگرفته شده در پژوهش، الگوریتم ازدحام ذرات با بیشترین درصد پیش بینی صحیح، بهینه ترین مدل را حاصل نموده و در بررسی توسط داده های آزمایشی و آموزشی کاراترین الگوریتم است. نتایج حاصل از پژوهش انجام شده حاکی از این است که به کارگیری الگوریتم های بهینه سازی مختلف در رویکرد داده کاوی، سبب افزایش قدرت پیش بینی صحیح مدل شناسایی گزارشگری مالی- مالیاتی متقلبانه می-گردد.

    کلید واژگان: تقلب مالیاتی، گزارش های مالی، سیستم استنتاج فازی- عصبی تطبیقی، الگوریتم های بهینه-سازی فراابتکاری
    maryam yokhanehalghyani, jamal bahrisales*, Saeid Jabbarzadeh Kangarluei, Akbar Zavari Rezaei

    Sometimes companies file fraudulent financial statements for tax fraud. The purpose of this research is to combine data mining tools and artificial intelligence with meta-heuristic algorithms to explain and optimize a model for detecting fraud and tax evasion by using the financial reporting capacity of companies. In order to collect research data, the financial reports of companies listed on the Tehran Stock Exchange, including 1056 years-company in the years 2007 to 2020 were examined. First, the effect of qualitative and quantitative indicators derived from financial reports was investigated, refined and then used to form the explaining model in the Adaptive Neural-Fuzzy Inference System (ANFIS). The model was combined and developed in the optimization stage with the aim of maximizing detection power, by using meta-heuristic optimization algorithms including genetic algorithm, particle swarm optimization algorithm and differential evolution algorithm. The research findings show that in terms of predictive power among the optimization algorithms used in the research, the particle swarm algorithm with the highest percentage of correct prediction, produces the most optimal model and in examination by test and training data is the most efficient algorithm. The results of the research indicate that the use of different optimization algorithms in the data mining approach increases the predictive power of the fraudulent fiscal reporting model.

    Keywords: Tax Fraud, Financial Reports, Adaptive Neural-Fuzzy Inference System, Optimization Algorithms
  • حسین یکه، سید محمدباقر جعفری*، سید محمد محمودی، مهدی شامی زنجانی

    در سال های اخیر مدیریت دانش تبدیل به یک اصل بنیادین در حوزه مدیریت شده است. از آغاز به کارگیری مدیریت دانش، تعداد زیادی از سازمان ها به دنبال سنجش منافع به کارگیری این مفهوم بوده اند. موفقیت در اجرای کامل مدیریت دانش و ادامه به کارگیری آن به سنجش خروجی های مدیریت دانش بستگی دارد. با وجود این، تحقیقات کمی در این زمینه صورت گرفته است. این تحقیق به دنبال آن است که با استفاده از روش استنتاج فازی-عصبی انطباقی (انفیس) و با استفاده از نرم افزار «متلب» 2017 به طراحی یک مدل پیش بین سنجش منافع مدیریت دانش بپردازد. جامعه آماری این پژوهش را دانشگران و کارشناسان شاغل در 15 شعبه از شعبات سازمان تامین اجتماعی تشکیل داده اند. بر اساس نتایج به دست آمده، میزان انطباق پذیری برآوردهای صورت گرفته با نتایج واقعی و قابلیت پیش بینی کنندگی و صحت برآورد نتایج مورد بررسی قرار گرفت و در پایان، بر اساس نتایج، رهنمودهایی به سازمان مورد مطالعه ارایه گردید.

    کلید واژگان: مدیریت دانش، منافع مدیریت دانش، سیستم فازی-عصبی انطباقی، انفیس
    Hossein Yekkeh, Seyed Mohammadbagher Jafari*, Seyed Mohammad Mahmoudi, Mehdi Shamizanjani

    In recent years, knowledge management has become a fundamental principle in the field of management. Since the introduction of knowledge management, many institutions have tried to measure the benefits of using this concept. Success in implementing knowledge management and continuing its usage largely depends on measuring knowledge management benefits. However, few studies were conducted on this issue. This study, by using the adaptive neural fuzzy inference method (ANFIS) via Matlab 2017 software, tried to provide a predictive model to measure the benefits of knowledge management in the organization. The study population consists of scientists and experts working in 15 branches of the Social Security Organization, with a minimum of five years of experience in knowledge management related tasks. Based on the results, the degree of compatibility of the estimates with the actual results and the predictability and accuracy of the results were discussed, and at the end, based on the results, guidelines were provided to the studied organization.

    Keywords: Knowledge Management, Knowledge Management Benefits, Adaptive Neural Fuzzy Inference System, ANFIS
  • مجتبی صالحی*، فاطمه گرشاسبی

    در این پژوهش یک روش نوین ترکیبی برای پیش بینی شاخص کل بورس اوراق بهادار تهران ارائه شده است که هم زمان از الگوریتم رقابت استعماری به عنوان روش انتخاب ویژگی و شبکه فازی عصبی انطباق انطباق پذیر به عنوان تابع پیش بینی کننده استفاده می نماید. برای انجام این امر از 68 ویژگی موثر بر بازار بورس اوراق بهادار؛ که شامل شاخص های اقتصادی، شاخص های بورس ایران و سایر کشورها، شاخص های تحلیل فنی و شاخص های شمعدان ژاپنی به صورت روزانه در بازه زمانی 1389-1395 به عنوان ورودی مدل استفاده شده است. همچنین، شاخص کل بورس اوراق بهادار روز آتی به عنوان متغیر هدف مسئله مساله در نظر گرفته شده است. نتایج به دست آمده نشان می دهد که مدل ترکیبی شبکه عصبی- فازی انطباق انطباق پذیر و الگوریتم رقابت استعماری پیش بینی های بسیار مناسب تری داشته و به نسبت شبکه های عصبی منفرد از سرعت بالاتر و توانایی تقریب قوی تری برای پیش بینی شاخص کل بورس اوراق بهادار برخوردار بوده است.

    کلید واژگان: پیش بینی بازار بورس، الگوریتم رقابت استعماری، شبکه فازی عصبی انطباق پذیر، انتخاب ویژگی، سری های زمانی

    vStock market has been one of the most influential economic phenomena in the world for many years. The main players in the stock market are investors that are always looking to make the most profit. Since prices of stock market transactions is Impressionable from political, economic, social problems and the high volatility of prices, the prediction of stock market is very difficult.  The main solution for more profits in the market is making the right decisions about buying and selling appropriate stocks in appropriate time. Therefore, prediction is the most important requirements for traders. I this research, a new hybrid algorithm is proposed that uses imperialist competitive algorithm as a feature selection method and fuzzy adaptive neural inference system as a prediction function. This approach uses 63 features that affect the stock market, including economic features, Iran and other countries stock market indexes, technical analysis indexes and Japanese Candlestick on a daily basis in the period from 2010-2016. The Exchange Stock Index for the next day is considered as the target variable. The results show that the hybrid model includes Adaptive Neural Fuzzy Inference System (ANFIS) and Imperialist Competitive Algorithm, is much appropriate. This model is compared with a single ANFIS model has better approximation speed and the ability to predict the sto

    Keywords: Stock Market Forecasting, Imperialist Competitive Algorithm, Adaptive Neural Fuzzy Inference System, Time Series, Feature Selection
نکته
  • نتایج بر اساس تاریخ انتشار مرتب شده‌اند.
  • کلیدواژه مورد نظر شما تنها در فیلد کلیدواژگان مقالات جستجو شده‌است. به منظور حذف نتایج غیر مرتبط، جستجو تنها در مقالات مجلاتی انجام شده که با مجله ماخذ هم موضوع هستند.
  • در صورتی که می‌خواهید جستجو را در همه موضوعات و با شرایط دیگر تکرار کنید به صفحه جستجوی پیشرفته مجلات مراجعه کنید.
درخواست پشتیبانی - گزارش اشکال