چالش روند فزاینده تغییرات محیطی، شدت رقابت و گذر از دوران انحصاری به فضای رقابت، شرکت ها را به سمت بازاریابی پویا (بازاریابی هدفمند) سوق داده است. با توجه به این که ارتقای سطح رضایتمندی مشتریان و همچنین افزایش سودآوری و رشد پایدار از راهبردهای اصلی شرکت فولاد مبارکه به شمار می روند؛ هدف از این پژوهش، کمک به تحقق بخشی راهبردهای مذکور از طریق هدف مند ساختن سازمان در راستای سفارشی سازی خدمات، بر مبنای ویژگی های برجسته و شاخص های رفتاری مشتریان بازار صنعتی است. در این پژوهش به دلیل ضرورت شناخت مشتریان مختلف، جهت ارایه خدمات متناسب با خصوصیات هر بخش، از نقشه های خودسازمان ده برای بخش بندی و شناسایی ویژگی های مشتریان شرکت استفاده شده است. مطابق یافته های پژوهش مشتریان بازار داخل شرکت فولاد مبارکه اصفهان، بر اساس 95 معیار مستخرج از 48 شاخص (جمعیت شناختی، جغرافیایی، عملیاتی، رفتاری و وضعیتی)، در پنج خوشه که بر مبنای متغیرهای شیوه های خرید (RFM)، به صورت مشتریان طلایی، مشتریان خاص، مشتریان وفادار، مشتریان روی گردان و مشتریان مشکوک نام گذاری شده اند، قرار گرفته اند.

توفان های تندری، به دلیل رفتار بسیار نامنظم در ابعاد مکانی و زمانی، در منطقه شمال غرب ایران از پدیده های آب و هوایی حائز اهمیت به شمار می روند، زیرا این نوع بارش ها نقش بسیار مهمی در فعالیت های اجتماعی و اقتصادی مانند تولید محصولات کشاورزی، استفاده از زمین زراعی، و مدیریت منابع آب دارند. در این پژوهش، به منظور شناسایی الگوهای سینوپتیک توفان های تندری طی بازه زمانی 1961-2016، از داده های ایستگاهی بارش شدید بیش از 50 میلی متر و داده های فشار ارتفاع ژئوپتانسیل تراز 500 هکتوپاسکال استفاده شده است. روش نقشه های خودسازمان دهSOM و آزمون پتیت در نرم افزار Rبه منظور شناسایی الگوهای بارش به کار گرفته شده است. براساس نتایج، نه الگوی جوی در تراز 500 هکتوپاسکال نشان داده شده و تصاویر مربوط به هر الگو در نرم افزار Grads ترسیم شده است. این الگوها نشان می دهند که در بارش های شدید بهاره رخداد بلوکینگ امگایی شکل، تشکیل ناوه عمیقی بر روی شمال خزر، و پدیده بلوکینگ رکس؛ در الگوهای تابستان بلاکینگ حلقه آتش و بلاکینگ کم فشار بریده؛ در الگوی زمستان بلوکینگ رکس؛ و در الگوی پاییز یک ناوه عمیق در بخش شمالی ایران و بلوکینگ کم فشار بریده دیده می شود. بیشترین درصد بارش متعلق به الگوی B3 با 45درصد فراوانی و کمترین مقدار بارش متعلق به الگوی A1 با 20درصد است.

هدف: بانک ها به عنوان یک بنگاه اقتصادی خدماتی و مالی ضمن همراهی با برنامه های اقتصادی کشورها، به دنبال کسب منفعت برای ذینفعان خود می باشند. در جهت دستیابی به این اهداف، باید توانایی تجهیز و تخصیص بهینه منابع خود را داشته باشند. یکی از مسایل مهم، شناخت عوامل موثر در جذب منابع می باشد که هدف این پژوهش، ارایه الگویی مناسب برای شناسایی عوامل تاثیرگذار بر تامین منابع است. روش شناسی پژوهش: برای رسیدن به هدف تحقیق، با مرور پیشینه تحقیق، رسالت بانک و نظرات کارشناسان بانکی، 62 عامل در قالب پرسشنامه ای ارایه شد. پرسشنامه پس از تایید خبرگان بانکی، جهت انجام پیش آزمون در یک نمونه 30 نفره از کارکنان بانک تجارت استان زنجان توزیع شد. سپس پایایی آن با آلفای کرنباخ آزمون و تایید گردید. بعد از جمع آوری میدانی داده های پژوهش، مولفه های موثر در دو گروه اصلی عوامل برون سازمانی و درون سازمانی قرار گرفتند. سپس عوامل درون سازمانی به چهار زیرگروه؛ مالی، فیزیکی، خدماتی و عوامل ارتباطی و انسانی تفکیک شد. در نهایت مدل اصلی پژوهش با استفاده از مدل شبکه های عصبی بدون ناظر (نگاشت های خود سازمانده) استخراج و به تحلیل داده های پژوهش پرداخته شد. یافته ها: یافته های پژوهش نشان می دهد که از مجموعه عوامل تاثیر گذار بر تامین منابع بانکی، عوامل ارتباطی و انسانی بیشترین تاثیر و عوامل برون سازمانی کمترین تاثیر را داشتند. همچنین با توجه به عدم تشابه بین الگوهای بردارهای ورودی پژوهش، همبستگی بین هر کدام از عوامل موثر بر تجهیز منابع تایید نشد. اصالت/ارزش افزوده علمی: در این پژوهش با استفاده از رویکرد جدیدی از مدل شبکه های عصبی (نگاشت های خود سازمانده) به شناسایی و وزن دهی عوامل موثر بر تجهیز منابع بانکی پرداخته شده که یافته های آن به توسعه ادبیات حوزه بانکی در بخش تجهیز منابع، کمک می کند.

در این مطالعه از روش نوین نقشه های خودسازمانده (SOM) برای خوشه بندی پیزومترهای موجود در آبخوان ارومیه و شناسایی پیزومترهایی با رفتار مشابه و به عبارتی دیگر، تعیین شبکه پایش بهینه در این آبخوان استفاده شد. به این منظور، ابتدا به نرمال سازی داده های ماهیانه تراز آب زیرزمینی در یک بازه 13 ساله (1381-1394) پرداخته شد و سپس الگوریتم خوشه بندی غیرسلسله مراتبی K-means برای تعیین تعداد خوشه های بهینه مورد استفاده قرار گرفت. در ادامه به کمک مدل SOM که از پرکاربردترین مدل های شبکه عصبی در خوشه بندی است؛ عملیات پیش پردازش مکانی جهت خوشه بندی مکانی پیزومترها انجام شد و نتایج خوشه بندی با استفاده از نقشه هم عمق سطح آب زیرزمینی مورد بررسی قرار گرفت. پیزومترهای نماینده هر خوشه از طریق به کارگیری فاصله اقلیدسی پیزومترها از یکدیگر تعیین شد. با توجه به نتایج خوشه بندی و سازگاری بسیار مناسب آن با تغییرات سطح آب زیرزمینی در محل هر پیزومتر، باید عنوان نمود که الگوریتم خوشه بندی SOM از قابلیت بالایی برای خوشه بندی برخوردار است. این نوع شبکه عصبی قادر به کشف الگوهای مناسبی از داده ها است که می تواند به شناسایی ویژگی های اعضاء هر خوشه کمک کند. بنابراین، به نظر می رسد از الگوریتم خوشه بندی SOM می توان در تحلیل رفتار کمی آبخوان (تغییرات تراز آب زیرزمینی) و یافتن پیزومترهای نماینده معدود استفاده کرده و به این ترتیب امکان ارزیابی قابل قبول رفتار آبخوان در زمان کمی و با صرف کمترین هزینه فراهم آورد.

در این مطالعه، آرایه های نانولولۀ TiO2 با استفاده از فرایند آندیزاسیون کارآمد، کم هزینه و سازگار با محیط زیست در الکترولیت حاوی گلیسیرین تولید می شوند. این آرایه ها به مدت 2 ساعت در دمای 500 درجه سانتی گراد بازپخت شدند. برای تحلیل نمونه ها از پراش پرتو ایکس (XRD)، میکروسکوپ الکترونی روبشی (FES-SEM)، طیف سنجی بازتابی پراکنده UV-Vis (DRS)، فوتولومینسانس (PL) و اندازه گیری فوتوالکتروشیمیایی (PEC) استفاده شد. با توجه به یافته های به دست آمده، یک پاسخ فوتوالکتروشیمیایی بالا برای آرایه های TiO2 با چگالی جریان 0.196 mA/cm2 و بازده تبدیل نوری 14/0 درصد حاصل شد.

به منظور مدل سازی سیستم حرکتی انسان در انجام حرکات مهارتی، مدلی با ساختار سلسله مراتبی سه لایه ارایه شده است. در هر سطح براساس میزان دقت و کیفیت امر کنترل، کنترل کننده خاصی وارد عمل شده و عمل کنترل در آن سطح را انجام می دهد. در سطح اول، مفاهیم کنترلی به صورت عام و کیفی مورد بررسی قرار می گیرد و وظیفه آن، حفظ پایداری سیستم براساس اطلاعات کیفی دریافتی از سطح دوم مانند کاهش یا افزایش خطا می باشد. در این سطح، از یک کنترل کننده خودسازمانده برای تولید فرامین حرکتی عام استفاده می گردد که نقش تشویق و تنبیه را برای تضمین پایداری سیستم  با ارسال فرمان های گسسته به سطح دوم ایفا می کند. این کنترل کننده با توجه به وظیفه خود، تنها در زمانی که کنترل کننده سطح دوم به تنهایی قادر به حفظ پایداری سیستم نباشد، وارد عمل شده و پایداری را تضمین می کند. سطح دوم، امر کنترل را به صورت کمی تر و دقیق تری دنبال می کند و عمل تطبیق در این سطح صورت می گیرد. اطلاعاتی که ازن سطح عموما از مسیرهای فیدبک حسی و چشمی دریافت می کند، مفاهیم دقیق تری از عملکرد کنترلی را شامل می شوند (مانند میزان خطای موجود در انجام حرکت). در سطح دوم از کنترل کننده پیش بین مبتنی بر مدل برای تولید فرامین کنترلی کمی تر و دقیق تر استفاده شده است که در واقع خط سیر حرکتی را تعیین می کند. یک سوییچ فازی، فرامین کنترلی سطح اول و دوم را براساس روش کنترل مود لغزان برای ایجاد یک سیستم کنترل مقاوم تلفیق می کند. در سطح سوم نیز این فرامین حرکتی، با تعیین عضلات درگیر و نحوه هماهنگی آنها در انجام حرکت مورد نظر، تفسیر می شود و به عضلات، فرامین حرکتی مناسب اعمال می گردد. اطلاعات دریافتی در این سطح عموما در مورد میزان مشارکت عضلات در انجام حرکت و نیز تاثیر محیط روی سیستم حرکتی است که توسط فیدبک های حسی به این سطح منتقل می شوند. مدل ارایه شده با چنین ساختار سلسله مراتبی، قابلیت مناسبی در کنترل و حفظ پایداری سیستم دارد. نتایج شبیه سازی ها این موضوع را تایید می کند.

در این مقاله، یک سیستم فازی-عصبی خود سازمانده برای یادگیری تطبیقی برخط برای شناسایی و مدل سازی سیستم های دینامیکی غیر خطی معرفی شده است. در این سیستم، در ابتدا هیچ نودی در لایه ی پنهان وجود ندارد و چنان چه معیارهای تولید قوانین در طی فرآیند آموزش برآورده شود نرون RBF به لایه ی پنهان اضافه می شود. از الگوریتم آموزش حداقل مربعات بازگشتی وزن دار (WRLS) برای قابلیت یادگیری برخطو افزایش سرعت همگرایی، در فاز یادگیری پارامترهای قسمت تالی قوانین نوع تاکاگی سوگنو استفاده شده است. در فاز یادگیری، ساختار برای تولید تعداد قوانین مناسب، معیار جدید درجه ی تطبیق و معیار متداول خطا به کار گرفته شده است. بعد از ایجاد قانون جدید، کارایی سیستم محاسبه شده و برای ایجاد شبکه ای با ساختار فشرده تر قوانینی که تاثیر کم تری در کارایی سیستم دارند با یک الگوریتم هرس جدید هرس می شوند. در پایان، برای بهینه سازی ساختار توابع عضویت مشابه با یکدیگر ترکیب می شوند. برای بررسی عملکرد سیستم، دو سیستم دینامیک غیرخطی مبنا، در دو حالت نویزی و بدون نویز در محیط Matlab مدل سازی شده اند. دقت این مدل سازی برمبنای دو معیار تعداد نرون ها (قوانین) و ریشه ی میانگین مربعات خطا با سایر روش ها مقایسه شده است. با توجه به نتایج به دست آمده، میانگین درصد بهبود جواب ها در تعداد قوانین به دست آمده نسبت به روش مبنای انتخاب شده در مدل سازی این دو سیستم در دو حالت نویزی و بدون نویز در مثال اول 42. 35% و در مثال دوم 29% می باشد.