پدیده هموارسازی سود مقوله ای مشترک در مرز دانش حسابداری و امور مالی است. یکی از انگیزه های شرکت ها برای هموار کردن سود حداقل نمودن تأثیر مالیات در طول زمان می باشد. در این پژوهش با استفاده از اطلاعات 9 سال مالی در بورس اوراق بهادار تهران و با استفاده از اطلاعات مالی 2070 سال-شرکت به پیش بینی هموارسازی سود با الگوریتم ماشین بردار ارتباطی پرداخته است. نتایج نشان می دهد که از بین متغیرهای پژوهش، متغیرهای حاشیه سود ناخالص، سود هر سهم، بازده فروش، بازده سهام، محافظه کاری شرطی، نسبت وجه نقد عملیاتی به دارایی ها، نسبت قیمت سهام به سود و کیفیت سود بر هموارسازی سود جاری تأثیر معناداری دارد و همچنین الگوریتم ماشین بردار ارتباطی در حالت خطی و غیرخطی توانایی پیش بینی میزان هموارسازی سود شرکت های پذیرفته شده بورس اوراق بهادار تهران را با قدرت بالا دارد. از دیگر یافته های پژوهش این است که برای پیش بینی هموارسازی سود الگوریتم غیرخطی ماشین بردار ارتباطی توانایی بالاتری نسبت به الگوریتم خطی ماشین بردار ارتباطی دارد

با توجه به رشد نمایی متون الکترونیکی، سازماندهی و مدیریت متون، مستلزم ابزاری است که اطلاعات و داده های مورد جستجوی کاربران را در کمترین زمان ارایه دهد؛ از این رو در سال های اخیر روش های دسته بندی اهمیت ویژه ای پیدا کرده است. هدف دسته بندی متون دست یابی به اطلاعات و داده ها در کسری از ثانیه است. یکی از مشکلات اصلی در دسته بندی متون، ابعاد بالای ویژگی هاست. برای کاهش ویژگی های متون، انتخاب ویژگی ها یکی از موثرترین راه حل هاست. چراکه هزینه محاسباتی که تابعی از طول بردار ویژگی هاست، بدون انتخاب ویژگی ها افزایش می یابد. در این مقاله روشی براساس بهبود الگوریتم ماشین بردار پشتیبان با الگوریتم رقابت استعماری برای دسته بندی اسناد متنی ارایه شده است. در روش پیشنهادی، از الگوریتم رقابت استعماری برای انتخاب ویژگی های و از الگوریتم ماشین بردار پشتیبان برای دسته بندی متون استفاده شده است. آزمایش و ارزیابی روش پیشنهادی بر روی مجموعه داده های Reuters21578, WebKB و Cade 12 انجام شده است. نتایج شبیه سازی حاکی از آن است که روش پیشنهادی در معیارهای دقت، بازخوانی و F Measure از روش ماشین بردار پشتیبان بدون انتخاب ویژگی عملکرد بهینه تری دارد.

مقدمه: زردی یکی از مشکلات شایع دوران نوزادی است که حدود 60 درصد از نوزادان رسیده و 80 درصد از نوزادان نارس در هفته اول زندگی به آن مبتلا می شوند. مطالعه حاضر، به منظور ایجاد سیستمی برای پیش بینی زردی نوزادان در 24 تا 72 ساعت اول پس از تولد با بکارگیری الگوریتم ماشین بردار پشتیبان انجام شد. روش ها: این مطالعه از نوع کاربردی-توسعه ای بود که با روش کمی انجام شد. ابتدا بر اساس بررسی متون، پرسشنامه ای حاوی عوامل موثر در پیش بینی زردی نوزادان طراحی شد. تحلیل داده ها با استفاده از آمار توصیفی انجام شد و عواملی در مدل لحاظ شد که حداقل 50 درصد از متخصصان آن را ضروری تشخیص دادند. سپس، داده های 1178 نوزاد متولدشده در بیمارستان لولاگر تهران از پرونده زایمان استخراج شد و جهت پیش بینی زردی نوزادان، از چندین الگوریتم یادگیری ماشین استفاده شد که در این میان با توجه به نتایج حاصله جهت مدلسازی نهایی، الگوریتم ماشین بردار پشتیبان استفاده و با سنجه های مختلف ارزیابی گردید. یافته ها: یافته های حاصل از این پژوهش نشان داد که مدل پیشنهادی با الگوریتم SVMبه دلیل ایجاد فاصله بین کلاس ها به عنوان بهترین خروجی انتخاب شد. بنابراین، مدل نهایی الگوریتم SVM با استفاده از هسته گوسی و با سیگمای 1/2360605 ایجاد شد که 30 درصد از نمونه ها (354 مورد) آزمون شدند و از این تعداد 321 مورد به درستی پیش بینی شد. در این مدلسازی سنجه های دقت، سطح زیر نمودار ROC و معیار F1 به ترتیب 92/7 درصد، 93 درصد و 88 درصد بدست آمد. نتیجه گیری: استفاده از SVM در ایجاد سیستم پیش بینی زردی نوزادان می تواند به پزشکان در پیش بینی به موقع زردی نوزادان کمک نماید و امکان انجام اقدامات پیشگیری و جلوگیری از خطرات احتمالی ناشی از زردی نوزادان را فراهم نماید.

زمینه و هدف: در مطالعه حاضر، یک رویکرد انتخاب ویژگی ترکیبی از روش های فیلتر و بسته بندی، با هدف تشخیص وضعیت بیماری و بقای بیمار، برای تعدادی از مجموعه دادگان علوم زیستی با تعداد متفاوت نمونه، ویژگی و کلاس پیاده سازی می شود؛ بنابراین، این راهبرد از مزایای هر دو روش، شامل سرعت عملکرد، تعمیم پذیری و دقت بالا بهره می برد. روش بررسی: الگوریتم های انتخاب ویژگی در چارچوب بازشناسی آماری الگو در نرم افزار Matlab R2021a طی فروردین و اردیبهشت 1401 مدل سازی شده اند. ابتدا ویژگی ها بر پایه اطلاعات متقابل بهنجار شده رتبه بندی می شوند و یک زیرمجموعه ویژگی بهینه با بالاترین دقت دسته بند انتخاب می شود. پس از خوشه بندی مجموعه داده به روش Mini Batch K-means و استخراج ویژگی های رتبه بندی شده، الگوریتم های شمول و خروج ویژگی به مجموعه دادگان اعمال می شوند. یافته ها: رویکردهای انتخاب ویژگی پیشنهادی برای مجموعه دادگان زیست شناسی مولکولی، ویروس هپاتیت C و باکتری E. coli، امتیاز صحت و فراخوانی بالای 98% را نتیجه می دهند، که به معنای حضور تعداد بسیار کم موارد مثبت کاذب و منفی کاذب در دسته بندی با ماشین بردار پشتیبان خطی است. برای مجموعه داده ویروس هپاتیت C، با انتخاب 9 ویژگی مرتبط از 13 ویژگی موجود با روش خروج ویژگی، دقت دسته بندی 92/98% و امتیاز F1 02/%99 به دست می آید. رویکرد شمول ویژگی نیز با یک اختلاف جزیی، دقت 78/98% را نتیجه می دهد. نتیجه گیری: نتایج حاصل نشان دهنده توانمندی رویکردهای انتخاب ویژگی به کار رفته برای مجموعه دادگان علوم زیستی با ابعاد بالای ویژگی همچون مجموعه داده بیان پروتیین می باشد. قابلیت تعمیم پذیری به سایر دسته بندها و تعیین خودکار تعداد ویژگی های بهینه در طول فرآیند انتخاب ویژگی، این رویکردها را در بسیاری از کاربردهای داده کاوی برای علوم زیستی انعطاف پذیر می سازد.

با تشکیل بازار برق ایران در سال 1382، تولیدکنندگان انرژی با ثبت پیشنهاد قیمت خود به صورت روزانه در سامانه مدیریت شبکه، با یکدیگر به رقابت می پردازند. در این رقابت تنها تولیدکنندگانی پیروز هستند که قیمت پیشنهادی آن ها پایین تر از قیمت تسویه بازار در ساعات روز بعد باشد، ازاین رو پیش بینی قیمت تسویه بازار در روز بعد برای تولیدکنندگان انرژی امری حیاتی بوده و در کسب هر چه بیشتر سهم بازار برق ایران به صورت روزانه توسط آنها تاثیرگذار است. در این مطالعه با ترکیب الگوریتم K-means و ماشین بردار پشتیبان، مدل جدیدی جهت پیش بینی قیمت تسویه بازار در روز بعد ارائه شده است. مطابق با نتایج حاصل از پیاده سازی مدل پیشنهادی بر روی داده های سال 1395 و 1396، هفت خوشه رقابتی برای بازار برق ایران شناسایی شده، که متوسط دقت مدل پیشنهادی در پیش بینی قیمت تسویه بازار در هر یک از این خوشه ها برای سال های 1395 و 1396به ترتیب برابر با 96 و 94 درصد می باشد.

زمین لغزش یکی از بلایای طبیعی پیش روی انسان است که باتوجه به این که نسبت به سایر بلایای طبیعی مدیریت پذیرتر هستند، شناخت این بلایا در راستای جلوگیری از خسارات ناشی از آن از اهمیت زیادی برخوردار است. از این رو، تحقیق حاضر به منظور تعیین مهم ترین عوامل مؤثر در وقوع زمین لغزش، ارزیابی حساسیت و خطر زمین لغزش در حوزة آبخیز چسب در استان زنجان انجام گرفت. برای انجام این مطالعه ابتدا از طریق مطالعات کتابخانه ای و بازدید صحرایی اقدام به شناخت و جمع آوری عوامل مؤثر بر وقوع زمین لغزش شد. سپس لایه های اطلاعاتی شامل شیب، جهت شیب، طبقات ارتفاعی، زمین شناسی، فاصله از رودخانه، فاصله از جاده، فاصله از گسل، شاخص توان رودخانه (SPI)، شاخص رطوبت توپوگرافی (TWI)، شاخص طول شیب (LS)، شاخص موقعیت توپوگرافی (TPI)، شاخص ناهمواری توپوگرافی، شاخص انحنای دامنه، کاربری اراضی، شاخص نرمال شدة تفاوت پوشش گیاهی (NDVI) و بارش در محیط سامانة اطلاعات جغرافیایی تهیه شد. طی بررسی های میدانی و ارزیابی مطالعات قبلی پیرامون زمین لغزش، در مجموع 81 مورد زمین لغزش در منطقة مورد مطالعه شناسایی شد. جهت مدل سازی خطر زمین لغزش از 70 درصد نقاط لغزشی برای آموزش مدل و 30 درصد به منظور اعتبارسنجی مدل استفاده شد. در ادامه، به کمک مدل ماشین بردار پشتیبان (SVM) نقشة حساسیت وقوع زمین لغزش تهیه شد. نتایج نشان داد 63/30 درصد مساحت حوزة آبخیز در کلاس حساسیت خیلی کم، 82/17 درصد در کلاس حساسیت کم، 43/15 درصد در کلاس حساسیت متوسط، 33/17 درصد در کلاس حساسیت زیاد و 5/18 درصد از سطح منطقه در کلاس حساسیت خیلی زیاد قرار گرفته است. کارایی مدل ماشین بردار پشتیبان نیز با استفاده از منحنی ROC مورد ارزیابی قرار گرفت که میزان مساحت سطح زیر منحنی (AUC) در مرحلة اعتبارسنجی 874/0 به دست آمد. این مقدار سطح زیر منحنی حاکی از قابلیت خیلی خوب مدل در پهنه بندی و تعیین مناطق مستعد خطر زمین لغزش در حوزة آبخیز چسب است. نتایج این مطالعه به پیشرفت دانش در مورد زمین لغزش کمک می کند و دیدگاه های ارزشمندی را برای تلاش ها در جهت کاهش خطر بالایا در حوزة آبخیز چسب ارائه می دهد. نقشة حساسیت به دست آمده می تواند مدیران، تصمیم گیران و مسئولان را در اجرای اقدامات مناسب و اطمینان از ایمنی جمعیت و زیرساخت های منطقه راهنمایی کند.

طبقه بندی اطلاعات مربوط به پوشش زمین با استفاده از تصاویر حد تفکیک بالای مکانی به دلیل پیچیدگی مناظر، موضوع چالش برانگیزی است. مطالعات اولیه طبقه بندی پوشش زمین با استفاده از روش های آماری مانند طبقه بندی حداکثر احتمال صورت می گرفت. بااین حال، مطالعات جدیدتر از تکنیک های هوش مصنوعی مانند شبکه های عصبی مصنوعی و. . . به عنوان جایگزین برای کاربردهای طبقه بندی استفاده کرده اند. یک مشکل عمده در استفاده از این مدل ها اینست که کاربر نمی تواند به راحتی قواعد نهایی را درک کند. این تحقیق یک چارچوب جدید برای طبقه بندی تصاویر سنجش ازدور با استفاده از ترکیبی از قوانین هستی شناختی و تجزیه و تحلیل تصویر مبتنی بر شی ارائه می کند. این مقاله تا حدی تلاش می کند تا چند شکاف در این زمینه را تسهیل کند، به ویژه با استفاده از تجزیه و تحلیل تلفیقی و فرآیند کنترل که به منظور اصلاح روند آموزش و پایش داده های آموزشی صورت می پذیرد. درعین حال از ویژگی های ترکیبی و داده های آموزشی بر اساس ویژگی های هستی شناسی کلاس های هدف نیز استفاده شد. ساختار کلی روش پیشنهادی، ادغام روش های مبتنی بر دانش و SVM است. روش مبتنی بر دانش برای مدل سازی روابط آنتولوژی با هدف آموزش و کنترل پروسه تصمیم گیری SVM اجرا می شود. درنهایت به منظور ارزیابی روش، مجموعه ای از تصاویر تست از دو منطقه جغرافیایی مختلف و در هر منطقه چند تصویر تست شامل عوارض با ساختارهای مختلف، برای اعتبارسنجی استفاده شد. درنهایت، روش پیشنهادی با دقت کلی 80/82 درصد به صورت میانگین در تمام تصاویر تست دقت مناسبی از خود نشان داد.