multi layer perceptron neural network
در نشریات گروه فنی و مهندسی-
از آنجا که پیش بینی مصرف برق از موارد مهم مدیریت انرژی هر کشور محسوب می شود، در سال های اخیر روش های مختلفی براساس هوش مصنوعی برای آن ارایه شده است. یکی از این روش ها، استفاده از شبکه های عصبی مصنوعی است. برای آن که این شبکه ها عملکرد خوبی داشته باشند، باید به خوبی آموزش ببینند. یکی از متداول ترین الگوریتم های آموزش مورد استفاده در این شبکه ها، الگوریتم پس انتشار خطاست که براساس گرادیان نزولی است. از آنجا که الگوریتم های مبتنی برگرادیان نزولی ممکن است به نقاط بهینه محلی گرفتار شوند، در برخی از مسایل راه حل خوبی ارایه نمی دهند. از این رو برای آموزش این شبکه ها می توان از الگوریتم های بهینه سازی مانند الگوریتم های فراابتکاری که امکان فرار از بهینه های محلی را دارند، استفاده نمود. در این تحقیق، الگوریتم فراابتکاری جدیدی به نام الگوریتم بهینه سازی زغن معرفی می گردد که از زندگی اجتماعی زغن ها در طبیعت الهام گرفته شده است و دارای مزایایی مانند تعداد پارامترهای کم، قابلیت اکتشاف و سرعت همگرایی خوب، است. کارایی الگوریتم پیشنهادی، با چند الگوریتم جدید فراابتکاری روی توابع محک CEC2018 و برای آموزش شبکه عصبی در پیش بینی مصرف برق ایران در زمان های اوج مصرف بار، مقایسه گردیده است. نتایج حاصل، نشان می دهد الگوریتم پیشنهادی راه حل بهتری با خطای کمتری، در مقایسه با الگوریتم های رقیب به دست می آورد.کلید واژگان: الگوریتم های فراابتکاری، الگوریتم بهینه سازی زغن، پیش بینی مصرف برق، شبکه های عصبی پرسپترون چندلایهSince the electricity consumption’s prediction is one of the most important aspects of energy manage ment in each country, various methods based on artificial intelligence have been proposed to manage it. One of these methods is Artificial Neural Networks (ANN). To improve the performance of ANNs, an efficient algorithm is necessary to train it. Back Propagation (BP) algorithm is the most common algorithm employed in training ANNs, which is based on gradient descent. Since BP may fall in local optima, it cannot provide a good solution in some problems. To overcome this shortcoming, optimiz ation algorithms like meta-heuristic algorithms can be applied to train ANNs. In this study, a new meta-heuristic algorithm called Red Kite Optimization Algorithm (ROA) is introduced, which is inspired by the social life of red kites in nature. The ROA has several advantages such as simplicity in structure and implementation, having few parameters and good convergence rate. The perfprmance of ROA is compared with some recent metaheuristic algorithms on benchmark functions of CEC2018. Also, it is employed to train Multi-Layer Perceptron (MLP) for the electricity consumption prediction at peak load times in Iran. The results show the good performance of proposed algorithm compared with competitor algorithms in terms of solution accuracy and convergence speed.Keywords: electricity consumption prediction, Meta-heuristic Algorithm, Multi-Layer Perceptron Neural network, red kite optimization algorithm
-
هدف
اخراج شرکت ها با وجود اهمیت در مسایل اقتصادی و اجتماعی جامعه، کم تر در ادبیات مالی مورد توجه قرار گرفته است. این موضوع از آن جهت دارای اهمیت است که برای هر کشور، یکی از معیارهای سنجش اقتصادی، حجم بازار سرمایه می باشد؛ بنابراین اخراج شرکت ها نه تنها باعث از بین رفتن اعتبار شرکت، قیمت سهام و بازار فروش سهام آن شرکت می شود بلکه بر رشد بازار و اقتصاد هر کشور نیز موثر است. پژوهش حاضر به دنبال بررسی صورت های مالی و گزارش حسابرسی شرکت های فعال و مقایسه آن با شرکت های لغو پذیرش شده می باشد تا به کمک فنون مدل سازی هوش مصنوعی، مدلی را برای پیش بینی شرکت های لغوپذیرش شده در بورس اوراق بهادار تهران طراحی نماید.
روش شناسی پژوهش:
در این پژوهش که روی شرکت های بورس اوراق بهادار تهران انجام پذیرفته است، داده های مربوط به سه سال قبل از اخراج 73 شرکت حذف شده از بورس از سال 1382 تا سال 1397 در گروه اول و داده های 148 شرکت فعال که به صورت مستمر در بورس حضور داشتند در گروه دوم و با روش حذفی سیستماتیک انتخاب گردیدند. سپس با تکنیک های داده کاوی که از کارآمدترین و به روزترین مدل های هوش مصنوعی هستند و به کمک طبقه بند های شبکه عصبی پرسپترون چندلایه، درخت تصمیم، و طبقه بند نظریه بیز به پیش بینی شرکت های لغو پذیرش شده از بورس پرداخته شده است.
یافته هایافته ها نشان می دهد بهترین عملکرد را طبقه بند بیز داشته است و شبکه عصبی پرسپترون چندلایه در جایگاه دوم و طبقه بند درخت تصمیم در جایگاه سوم قرار گرفته است.
اصالت/ارزش افزوده علمی:
پژوهش های کمی در حوزه پیش بینی اخراج شرکت ها از بازار سرمایه در ایران شده است. این پژوهش با پر کردن این گپ، به پژوهشگران پیشنهاد داده است با استفاده از سایر طبقه بند ها، ترکیب کردن چندین طبقه بند با یکدیگر به منظور پوشش بهتر خطاهای هر یک، ترکیب کردن طبقه بند ها با یکدیگر و وزن دهی به روشی که دقت بالاتری داشته باشد، اضافه کردن سایر متغیرهای تاثیرگذار در اخراج شرکت ها از جمله ساختار مالکیت و ترکیب سهام داران می تواند نتایج دیگری به دست آید.
کلید واژگان: لغو پذیرش از بورس، شبکه عصبی پرسپترون چندلایه، درخت تصمیم، نظریه بیز، هوش مصنوعیPurposeDelisted companies, despite their importance in the economic and social issues of society, is less considered in the financial literature. This issue is important because for each country, one of the criteria for economic measurement is the size of the capital market. Therefore, the delisted companies not only destroys the company's reputation, its stock price and the market for the sale of its shares, but also affects the growth of the market and the economy of each country. The present study seeks to review the financial statements and audit reports of active companies and compare it with delisted companies to design a model for forecasting delisted companies in the Tehran Stock Exchange with the help of artificial intelligence modeling techniques.
MethodologyIn this study, which was conducted on companies of the Tehran Stock Exchange, data related to three years before the delisting of 73 companies removed from the stock exchange from 2003 to 2019 in the first group and data of 148 active companies that are continuously. They were present in the stock market in the second group and were selected by systematic elimination method. Then, with data mining techniques, which are among the most efficient and up-to-date models of artificial intelligence, and with the help of multi-layered perceptron neural network classifiers, decision tree, and Bayesian theory classifiers, stock delisted companies have been predicted.
FindingsThe findings show that the Bayesian classifier had the best performance and the multilayer perceptron neural network was in the second place and the decision tree classifier was in the third place.
Originality/Value:
Little research has been done in the field of predicting delisted companies from the Iran capital market. This study by filling this gap, suggests to researchers to use other classifiers, combine several classifiers together to better cover the errors of each, combine classifiers with each other and weigh in a way that is more accurate, add other variables influential in the dismissal of companies, including the ownership structure and shareholder composition can have other results.
Keywords: Delisted of stock exchange, multi-layer perceptron neural network, decision tree, Bayesian Theory, Artificial intelligence -
Cardiac Arrhythmias are known as one of the most dangerous cardiac diseases. Applying intelligent algorithms in this area, leads into the reduction of the ECG signal processing time by the physician as well as reducing the probable mistakes caused by fatigue of the specialist. The purpose of this study is to introduce an intelligent algorithm for the separation of three cardiac arrhythmias by using chaos features of ECG signal and combining three types of the most common classifiers in these signal’s processing area. First, ECG signals related to three cardiac arrhythmias of Atrial Fibrillation, Ventricular Tachycardia and Post Supra Ventricular Tachycardia along with the normal cardiac signal from the arrhythmia database of MIT-BIH were gathered. Then, chaos features describing non-linear dynamic of ECG signal were extracted by calculating the Lyapunov exponent values and signal’s fractal dimension. finally, the compound classifier was used by combining of multilayer perceptron neural network, support vector machine network and K-Nearest Neighbor. Obtained results were compared to the classifying method based on features of time-domain and time-frequency domain, as a proof for the efficacy of the chaos features of the ECG signal. Likewise, to evaluate the efficacy of the compound classifier, each network was used both as separately and also as combined and the results were compared. The obtained results showed that Using the chaos features of ECG signal and the compound classifier, can classify cardiac arrhythmias with 99.1% ± 0.2 accuracy and 99.6% ± 0.1 sensitivity and specificity rate of 99.3 % ± 0.1
Keywords: Lyapunov Exponent, Fractal Dimension, Multi Layer Perceptron Neural Network, Support Vector Machine, Electrocardiogram -
پایش رسوبات معلق نقش مهمی در شناخت رفتار رودخانه، شناسایی کانون های فرسایش و رسوب و مدیریت بهتر اراضی آبخیزها ایفا می کند. درحال حاضر به دلیل هزینه های بالای پایش مستمر رسوبات معلق، برنامه ریزی و مدل سازی جهت مهار فرسایش با چالش های جدی روبروست. هدف از این پژوهش، توسعه فناوری و ارزیابی دستگاه بازتاب نوری اندازه گیر رسوب معلق با سامانه توام چند منبع نوری همراه با مدل سازی هوش مصنوعی (MLP , SVR) می باشد. دستگاه مذکور پس از ساخت، طی مراحل مختلف آزمایشی در آزمایشگاه هیدرولیک موسسه تحقیقات آب وزارت نیرو مورد بررسی قرارگرفت. بررسی عملکرد دستگاه طی دو مرحله واسنجی و صحت سنجی انجام شد. در فرایند بررسی، تعداد40 نمونه رسوب تولید و نمونه برداری شد که 70٪ آن ها برای آموزش دستگاه و 30٪ باقیمانده جهت صحت سنجی استفاده شد. از کدورت سنج مرجع و نمونه برداری دستی جهت آزمون درستی عملکرد دستگاه استفاده گردید. منحنی های ترسیم شده، بیان گر همبستگی بسیار خوب بین عدد نوری ثبت شده توسط دستگاه و غلظت رسوب معلق می باشد. به منظور ارتقاء نتایج پیش بینی دستگاه، از روش هوشمند مبتنی بر آمار رگرسیون ماشین بردار (SVR) و همچنین شبکه عصبی پرسپترون چند لایه (MLP) استفاده گردید. در نهایت نتایج حاصله توسط شاخص های میانگین خطای مطلق (MAPE) ، مجذور میانگین مربعات خطا (RMSE)، ضریب ناش ساتکلیف (NSE) ، ضریب همبستگی (R) و ضریب تبیین (R2) مورد ارزیابی قرار گرفتند. نتایج نشان داد مقادیر شاخص های ارزیابی برای مدل MLP بعنوان مدل بهینه، به ترتیب برابر با 023/0، 608/7، 997/0، 999/0 و 999/0 می باشد.
کلید واژگان: بازتاب نوری، شبکه عصبی پرسپترون چندلایه، کدورت سنج، رگرسیون بردار پشتیبان، هوش مصنوعیThe aim of this research is to construct and validate an optical sensor with a multi-beam ratio technology and artificial intelligence-based modelling (MLP & SVR) for suspended sediment measuring. After implementation of the new technology, the performance of the device was evaluated in two stages including calibration and validation. To attain this, various experimental tests carried out in the hydraulic laboratory of Water Research Institute of the Ministry of Energy. Reference turbidity meter and total suspended solids (TSS) were used to test the performance of the OBS technology. In calibration stage, 70% of TSS data were used and the remaining 30% of data were used to validate optical technology. The plotted calibration curves show a very good correlation between the optical voltage recorded by the sensors and the suspended sediment concentration. Also, SVR & MLP models were employed to improv results of suspended load prediction. The performance of optical device and also optical device with intelligence models were evaluated through four statistical indices namely, Mean Absolute Percentage Error (MAPE), Root mean square Error (RMSE), Nash–Sutcliffe coefficient (NSE), correlation coefficient (R) and coefficient of determination (R2). The results of this stage showed that the intelligence modelling could result in improvements of suspended load reported by optical technology. The best improvements obtained by MLP-optical technology. The results showed that values of validation indicators for MLP model are equal to 0.023, 7.608, 0.99, 0.99 and 0.99 respectively, which indicates the proper performance of the technology.
Keywords: Artificial Intelligence, Multi-Layer Perceptron Neural Network, Optical Back Scatter, Turbidity Meter, Support Vector Regression -
امروزه یکی از مهمترین چالش های امنیت اطلاعات و شبکه های ارتباطی، افزایش روزافزون انواع بدافزارها و به دنبال آن یافتن راه های مناسب جهت حفاظت سیستم ها در مقابل آنها است. شناخت به وقت و یافتن راه های مقابله با آثار مخرب بدافزارها از مهمترین چالش های برنامه نویسان و متخصصین امنیت اطلاعات می باشد به طوری که در سال های اخیر استفاده از الگوریتم های داده کاوی و هوش مصنوعی به عنوان یکی از روش های نوظهور و امیدوار-کننده برای مقابله با بدافزارها کاربرد بسیاری داشته است. سیستم های تشخیص بدافزار هوشمند قادر هستند با مدل سازی رفتار بدافزارها آن ها را به خوبی شاسایی نمایند. استخراج ویژگی های مناسب و به کارگیری دسته بند کارآمد می تواند کارایی چنین سیستم هایی را بهبود ببخشد. در این مقاله رویکردی جدید جهت تشخیص بدافزار با استفاده از هم افزایی ویژگی های شمارنده های سخت افزای و دسته بند شبکه عصبی پرسپترون چندلایه بهینه پیشنهاد می شود. سیستم پیشهادی با استخراج ویژگی هایی با قابلیت تفکیک پذیری بالا و نیز استفاده از شبکه عصبی بهینه شده بوسیله الگوریتم سنجاقک قادر است به خوبی فایل های سالم را از مخرب شناسایی نماید. به منظور ارزیابی سیستم پیشنهادی از یک مجموعه داده شامل 168 نمونه سالم و 437 نمونه آلوده به بدافزار استفاده می شود. نتایج حاصل از شبیه سازی ها کارایی بالاتر دسته بند پیشنهادی را در مقایسه با سایر دسته بندها نشان می دهد به طوری که سیستم پیشنهادی توانسته است با دقت 86 درصد وجود فایل های آلوده به بدافزار را تشخیص دهد.
کلید واژگان: بدافزار، شمارنده های سخت افزاری، شبکه عصبی پرسپترون چند لایه(MLP)، الگوریتم بهینه سازی سنجاقکToday, one of the most important challenges of information security and communication networks is the increasing number of malware and, consequently, finding suitable ways to protect systems against them. Knowing in time and finding ways to deal with the malicious effects of malware is one of the most important challenges for programmers and information security professionals. Is. Intelligent malware detection systems are able to model malicious behavior well. Extracting appropriate features and using efficient classifiers can improve the performance of such systems. In this paper, a new approach to malware detection is proposed using synergy of the features of the hardware counters and the optimization of the multilayer perceptron neural network classifier. The proposed system is able to identify healthy files from malware by extracting features with high discrimination and also using the neural network optimized by the dragonfly algorithm. In order to evaluate the proposed system, a data set including 168 healthy samples and 437 samples infected with malware is used. The results of the simulations show the higher performance of the proposed category compared to other categories, so that the proposed system has been able to detect the presence of malware-infected files with 86% accuracy.
Keywords: Malware, Hardware Counters, Multi-Layer Perceptron Neural Network, Dragonfly Optimization Algorithm -
In analog circuit optimization, obtaining optimal point that can satisfy various kinds of specifications is posed as goal of design. Utilization of evolutionary algorithms was introduced as a useful method but speed of convergence and ensure to access optimal point are these method most challenges. In this paper the Multi-Layer Perceptron (MLP) artificial neural network is applied to access the suitable point appropriate different specifications values of analog circuit. This point used in optimization algorithm to find reliable response. Neural network itself is trained by training database is collected during initial optimization process. The link of HSPICE and MATLAB is used for circuit simulation and evaluation during the process.Keywords: Analog circuit, Evolutionary algorithm optimization, Cost function, Multi-Layer Perceptron Neural network
- 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.