مسائل بسیار پیچیده می باشد. از این الگوریتم می توان در تحلیل خوشه بندی داده ها استفاده نمود. علی رغم اینکه (AIS) قادر است پیکربندی فضای جستجو را به خوبی نمایش دهد اما تعیین خوشه های داده ها به طور مستقیم با استفاده از خروجی آن بسیار مشکل است. بر این اساس در این مقاله الگوریتم دو مرحله ای پیشنهاد شده است. در مرحله اول با استفاده از الگوریتم (AIS) پیشنهادی، فضای جستجو مورد بررسی قرار گرفته و پیکربندی فضا تعیین می شود و در مرحله دوم با استفاده از روش خوشه بندی سلسله مراتبی، خوشه ها و تعداد آنها مشخص می شود. در انتها الگوریتم پیشنهادی بر روی نمونه واقعی متشکل از داده های زلزله در ایران پیاده سازی و با نتایج الگوریتم مشابه مقایسه شده است. نتایج نشان داد که الگوریتم پیشنهادی توانسته است نقایص موجود در (AIS) و روش خوشه بندی سلسله مراتبی را پوشش دهد و از طرفی از دقت و سرعت قابل قبولی برخوردار است.

پیش بینی زمان وقوع حملات صرع در بیماران از جمله موضوعاتیست که مورد توجه محققان است. حملات صرع به طور نامنظم و غیر قابل پیش بینی شده ای اتفاق می افتند. بنابراین تشخیص حملات صرع از روی سیگنال های EEG که در بازه زمانی طولانی گرفته می شوند؛ بسیار حائز اهمیت است. این امر تشخیصی به دو مرحله مجزای استخراج ویژگی ها از قطعات سیگنال EEG و اعمال الگوریتم طبقه بندی بر روی بردارهای ویژگی تقسیم می شود. به همین منظور در مرحله اول با استفاده از تحلیل زمان- فرکانس بر روی قطعات سیگنال EEG و به دست آوردن صفحه زمان- فرکانس هر قطعه، استخراج ویژگی ها از سیگنال ها انجام می شود. در مرحله دوم با استفاده از الگوریتم نزدیک ترین همسایه کار تشخیص حملات صورت می گیرد. اما قبل از اعمال الگوریتم طبقه بندی، برای اصلاح فضای ویژگی ها و یادگیری معیار فاصله، از الگوریتم (AIS)-RCA استفاده شده است. این الگوریتم برای به دست آوردن ماتریس تبدیل W، داده ها را به صورت مجموعه ای از دسته ها در نظر می گیرد و با ارائه الگوریتم جدید AD-AIRS و با الهام گرفتن از سیستم ایمنی بدن دسته ها را می یابد. آزمایش های انجام شده نشان دهنده دقت %100 و بهبود نتایج در مقایسه با برخی روش های انتقال موجک، آنتروپی، معیار بی نظمی و تبدیل انتقال فوریه سریع را نشان می دهد.

لطفا برای مشاهده چکیده به متن کامل (PDF) مراجعه فرمایید.

پیش بینی درماندگی مالی شرکت ها یکی از چالش های اصلی در حوزه مدیریت مالی است. این پژوهش به بررسی کاربرد مدل های هوش مصنوعی در پیش بینی درماندگی مالی می پردازد. در این پژوهش از الگوریتم های مختلفی از جمله شبکه عصبی موجکی (WNN)، سیستم ایمنی مصنوعی ((AIS))، رگرسیون لجستیک (LR) و یک الگوریتم ترکیبی از (AIS) و WNN استفاده شده است. این مطالعه با استفاده از داده های واقعی شرکت ها، دقت و کارایی این مدل ها را مقایسه می کند. نتایج نشان می دهند که الگوریتم ترکیبی توانایی بالاتری در پیش بینی درماندگی مالی دارد و می تواند به عنوان یک ابزار مفید برای تصمیم گیری های مالی مورد استفاده قرار گیرد. پیش بینی درماندگی مالی شرکت ها یکی از چالش های اصلی در حوزه مدیریت مالی است. این پژوهش به بررسی کاربرد مدل های هوش مصنوعی در پیش بینی درماندگی مالی می پردازد. در این پژوهش از الگوریتم های مختلفی از جمله شبکه عصبی موجکی (WNN)، سیستم ایمنی مصنوعی ((AIS))، رگرسیون لجستیک (LR) و یک الگوریتم ترکیبی از (AIS) و WNN استفاده شده است. این مطالعه با استفاده از داده های واقعی شرکت ها، دقت و کارایی این مدل ها را مقایسه می کند. نتایج نشان می دهند که الگوریتم ترکیبی توانایی بالاتری در پیش بینی درماندگی مالی دارد و می تواند به عنوان یک ابزار مفید برای تصمیم گیری های مالی مورد استفاده قرار گیرد.

لطفا برای مشاهده متن کامل این مقاله اینجا را کلیک کنید.

لطفا برای مشاهده متن کامل این مقاله اینجا را کلیک کنید.

1درماندگی مالی پیش از ورشکستگی مالی رخ می­دهد؛ پیش بینی درماندگی مالی شرکت­ها، یکی از مهمترین مباحث پیش روی مدیران است و می­تواند به موفقیت و تداوم حیات شرکت­ها کمک زیادی بکند؛ زیرا با ارائه سیگنال­های هشدار برانگیز و به موقع می­تواند مدیران شرکت­ها را نسبت به وقوع درماندگی مالی و ورشکستگی آگاه نماید؛ بنابراین هدف پژوهش حاضر، به مطالعه و ارزیابی پیش بینی درماندگی با استفاده از الگوریتم سیستم ایمنی مصنوعی می­پردازد. جامعه آماری شامل شرکت­های پذیرفته شده در بورس اوراق بهادار تهران و نمونه استفاده شده شامل 164 شرکت درمانده و سالم بوده در بازه زمانی بین سال های 1385-1399 می باشد. متغیرهای پیش­بینی براساس نسبت­هایی انتخاب شدند که در نتایج تحقیقات قبلی به عنوان متغیرهای اصلی پیش بینی در مدل پیش بینی آن­ها ارائه شدند. در این تحقیق داده های جمع آوری شده با استفاده از نرم افزار EXCEL تلخیص و سپس متغیرها محاسبه می شود. پیش از اجرای الگوریتم AIRS یک تحلیل آماری با استفاده از نرم افزار PYTHON جهت انتخاب متغیرهایی که دارای اهمیت بیشتری برای پیش بینی درماندگی دارند انجام می شود. درماندگی مالی دارای ماهیت کیفی و مقیاس سنجش اسمی است. در اندازه گیری این متغیر، به شرکت های درمانده مالی عدد یک و به شرکت های غیر درمانده مالی، عدد صفر تخصیص داده می شود. برآیند حاصل از بررسی­های این پژوهش نشان داد که نتایج مستخرج شده از پیش­بینی­های صورت گرفته توسط مدل و مقایسه آن با واقعیت در سطح دقت کلی 86 درصد توانایی شناسایی شرکت­های درمانده و سالم را دارد. ویژگی هایی که این تحقیق را از سایر تحقیقات مرتبط با این موضوع متمایز می کند، استفاده از 5 معیارهای مختص درماندگی (نه معیارهای ورشکستگی) جهت تفکیک شرکت های درمانده از سالم، و به عنوان یک نوآوری نسبت به مطالعات پیشین می باشد.

سیستم ایمنی بدن، یک سیستم محاسباتی جالب و کارا برای بسیاری از کاربردها در زمینه مهندسی و به خصوص تشخیص نفوذ است. این سیستم دفاعی بر اساس عامل، به صورت توزیع شده و خود تطبیق است که بر اساس یک معماری لایه ای و سلسله مراتبی عمل می کند. در این مقاله، یک سیستم ایمنی مصنوعی بر اساس عامل ها و تکنیک های هوش محاسباتی شامل کنترل فازی و الگوریتم های ژنتیکی، برای امنیت شبکه های کامپیوتری ارایه شده است. روش پیشنهادی از فرایند ذاتا فازی بین عامل آنتی ژن و آنتی بادی در سیستم ایمنی بدن استفاده می کند. همچنین از الگوریتم های ژنتیک برای بهینه سازی و تکامل آنتی بادی ها استفاده می شود. از شبیه ساز ns2 جهت شبیه سازی یک شبکه نمونه و تزریق حملات استفاده شده است. در قسمت ارزیابی عملکرد روش پیشنهادی، در فاز آموزش و تست از داده های استاندارد DARPA استفاده می شود. نتایج حاصل از شبیه سازی نشان دهنده برتری روش پیشنهادی نسبت به روش متداول فورست می باشد.