optimization algorith
در نشریات گروه فنی و مهندسی-
پیش بینی قیمت سهام توسط تحلیلگران داده یک فرصت تجاری بزرگ را برای طیف گسترده سرمایه گذاران در بازار سهام ایجاد کرده است. اما این مهم به دلیل ماهیت بی ثبات و پویایی بیش از حد عوامل متعدد اقتصادی تاثیرگذار بر بازار سهام، امری دشوار است. در این پژوهش به منظور شناسایی ارتباط پیچیده 10 متغیر اقتصادی بر قیمت سهام شرکت های فعال در بازار سهام تهران، دو مدل طراحی و پیاده سازی شده است. نخست یک سیستم استنتاج فازی ممدانی که مجموعه قوانین موتور استنتاج خود را توسط الگوریتم بهینه سازی ازدحام ذرات بدست می آورد طراحی می شود. سپس مدل یادگیری عمیق مشتمل بر 26 نرون در 5 لایه پنهان طراحی شده است. مدل های طراحی شده به منظور پیش بینی قیمت سهام نه شرکت فعال در بورس اوراق بهادار تهران پیاده سازی و نتایج بدست آمده حاکی از عملکرد بهتر مدل یادگیری عمیق بر مدل ترکیب دوگانه استنتاج فازی-ازدحام ذرات و نیز مدل رایج شبکه عصبی دارد. اما قدرت تفسیرپذیری الگوی بدست آمده، رفتار همسانتر و با واریانس به مراتب کمتر و نیز سرعت همگرایی بیشتر نسبت به سایر مدل ها را می توان از مزایای رقابتی قابل توجه مدل ترکیب دوگانه استنتاج فازی-ازدحام ذرات نام برد.
کلید واژگان: پیش بینی قیمت سهام، سیستم استنتاج فازی، یادگیری عمیق، شبکه عصبی و الگوریتم بهینه سازی ازدحام ذراتPredicting stock prices by data analysts have created a great business opportunity for a wide range of investors in the stock markets. But the fact is difficulte, because there are many affective economic factors in the stock markets that they are too dynamic and complex. In this paper, two models are designed and implemented to identify the complex relationship between 10 economic factors on the stock prices of companies operating in the Tehran stock market. First, a Mamdani Fuzzy Inference System (MFIS) is designed that the fuzzy rules set of its inference engine is found by the Particle Swarm Optimization Algorithm (PSO). Then a Deep Learning model consisting of 26 neurons is designed wiht 5 hidden layers. The designed models are implemented to predict the stock prices of nine companies operating on the Tehran Stock Exchange. The experimental results show that the designed deep learning model can obtain better results than the hybridization of MFIS-PSO, the neural network and SVM, although the interperative ability of the obtained patterns, more consistent behavior with much less variance, as well as higher convergence speed than other models can be mentioned as significant competitive advantages of the MFIS-PSO model.
Keywords: : Stock Price Prediction, Fuzzy Inference System, Deep Learning, Neural Networks, Particle Swarm, Optimization Algorith -
در این تحقیق عملکرد و خواص ضد گرفتگی و شار غشاهای نانوکامپوزیت پلی وینیلیدن فلوراید (PVDF) با غلظت های 15 و 18% وزنی که با نانو لوله های کربنی عامل دار شده با گروه های اسیدی، بازی و آمین مخلوط شده و با روش وارونگی فازی و حلال نرمال متیل پیرولیدون (NMP) در آزمایشگاه ساخته شده، مورد بررسی قرار گرفت. همچنین تست های شار،گرفتگی، زاویه تماس، تخلخل و نرخ پس دهی پروتئین انجام شده است. با استفاده از نتایج تست های تجربی، مدل سازی پارامترهای شار و گرفتگی براساس متغیرهای ورودی که شامل درصد نانوذره، درصد پلیمر، تخلخل و زاویه تماس هستند؛ انجام شد. در این مدل از 4 سیستم هوشمند شبکه عصبی چند لایه، شبکه عصبی با مدار شعاعی، کمینه مربعات بردار پشتیبان و سیستم هیبریدی تطبیقی عصبی- فازی و 3 الگوریتم بهینه سازی ژنتیک، شبیه سازی تبریدی و ازدحام ذرات استفاده شده است. نتایج نشان داد که برای هر دو پارامتر شار و گرفتگی، بهترین مدل با توجه به ضریب همبستگی بالا، مدل های شبکه عصبی با مدار شعاعی و سیستم هیبریدی تطبیقی عصبی- فازی هستند. در بخش بعدی مدل سازی برای به دست آوردن مقادیر بهینه (کمترین گرفتگی و ماکزیمم شار) از بهترین مدل های ساخته شده برای هر دو خروجی استفاده شد. سپس از الگوریتم ترکیبی از الگوریتم ژنتیک و ازدحام ذرات مقادیر بهینه به دست آمد. سپس با استفاده از نتایج بهینه سازی برای هر نوع درصد پلیمر (15% و 18%)، غشاها در آزمایشگاه ساخته شده و سپس تست های شار، گرفتگی، زاویه تماس و تخلخل انجام شده و نتایج آن با نتایج مدل مقایسه گردید. نتایج نشان داد که غشای نانوکامپوزیت 07/0% وزنی نانولوله کربنی تک دیواره عامل دار شده با گروه هیدروکسیل و غشای نانوکامپوزیت 17/0% وزنی نانولوله کربنی تک دیواره عامل دار شده با گروه هیدروکسیل به ترتیب بهترین عملکرد را با پلیمرهای 15 و 18% وزنی PVDF داشته است.کلید واژگان: غشای نانوکامپوزیت، نانولولههای کربنی، مدلسازی، شبکههای هوشمند، الگوریتم بهینهسازیIn this research, the performance, efficiency, and properties of anti-fouling and flux of poly vinylidene fluoride (PVDF) nano-composite membranes with concentration of 15wt.% and 18 wt.%, mixed with different functional carbon nanotubes (-OH, -COOH, -NH2), were made and studied using phase inversion and normal methylpyrrolidone (NMP) solvent; moreover, the nano-composite membranes tested for flux, fouling, contact angle, porosity and protein rejection rate. Also, by using empirical test results, (1) flux and (2) fouling parameters were modeled based on the input variables including nanoparticle percentage, polymer percentage, porosity, contact angle and protein rejection rate. In this model, four intelligent systems including multiple layer percepton, radial basis function, least squares support vector machine and adaptive neuro-fuzzy inference system and three optimization algorithms including generic algorithm, simulated annealing and particle swarm optimization have been used. The results showed that for both flux and fouling parameters, the best models are GA-RBF and Conjugate-ANFIS with high correlation coefficient. In the next section, modeling was used to obtain optimal values of the best models made for both outputs (minimum fouling and maximum flux) and then the combined algorithm of the genetic algorithm and particle swarm optimization values were obtained. Afterward, by using optimization results for each type of polymer (15wt% and 18wt%), the membranes were made in the laboratory, and then flux, fouling, contact angle and porosity tests were performed, and the results were compared with the results of the model. Finally, the results showed that 0.07 wt.% single-walled carbon nanotube-PVDF nanocomposite membrane functionalized with hydroxyl group and 0.17 wt.% single-walled carbon nanotube-PVDF nanocomposite membrane functionalized with hydroxyl group had the best performance with the polymers of 15 wt.% and 18 wt.% of PVDF respectively.Keywords: nanocomposite membrane, carbon nano tube, Modeling, neural network, optimization algorith
- 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.