در این مقاله یک شبکه جدید و خاص به نام شبکه عصبی فازی محلی مدولار (LMFNN)، که از مبانی منطق فازی و شبکه های عصبی منتج شده و قابلیت هر دو در آن پیش بینی شده است پیشنهاد می شود. این شبکه بصورت ریاضی، بلوک دیاگرام، ساختار داخلی و فازی بیان شده و سپس مشخصات و چگونگی تعیین پارامترهای شبکه مورد نظر مشخص شده و مزایای آن نسبت به شبکه های عصبی معمولی از جمله کمی حجم محاسبات، سرعت و سادگی آموزش، نیاز کم به داده آموزشی و حذف ورودی غیرضروری نشان داده شده است.

در این مقاله، مدلسازی دستگاه تولید لینک خودکار یا ALE با استفاده از شبکه های عصبی یا هوش مصنوعی معرفی شده است. به طور کلی می توان عملکرد یک دستگاه ALE را مدلسازی کرد. هدف از مدلسازی، طراحی همین دستگاه با استفاده از روش های جدید و پیاده سازی با استفاده از ابزارهای موجود و در نتیجه بومی سازی آن است. در همین راستا، در این مقاله با استفاده از شبکه های عصبی و الگوریتم MLP تلاش شده است که عملکرد کلی دستگاه ALE مدلسازی و پیاده سازی شود. در ابتدا، پس از بررسی کانال های مخابراتی و اثرات غیرخطی و نویز بر انتقال داده، یک مدل برای انتقال داده در کانال های مخابراتی معرفی و در محیط نرم افزار متلب کد نویسی شده است. سپس به معرفی انواع شبکه های عصبی و کاربردهای آن پرداخته شده است و بهترین الگوریتم برای مدلسازی دستگاه ALE انتخاب شده است. در ادامه چندین مدل با استفاده از tools نرم افزار متلب و کد نویسی الگوریتم MLP انجام گرفته است و مقایسه شده است. در نهایت مدل پیشنهادی که مبتنی بر الگوریتم MLP است با کمترین خطا، به ازای خروجی جدید می تواند کانال مناسب را پیش بینی کند. مدل های پیشنهادی پس از بهینه سازی قابل پیاده سازی بر روی FPGA هستند و راهی برای ساخت این دستگاه در داخل کشور فراهم می آورد.

در این مقاله یک روش جدید بر اساس شبکه عصبی فازی برای برآورد ضرایب فازی یک تابع عرضه و تقاضای نیروی کار با ورودی ها و خروجی های فازی، ارایه می شود. در بازارکار میزان دستمزد افراد و تولید ناخالص داخلی به صورت کلمات مبهم و یا فازی می باشند بنابراین لازم است این داده ها توسط رگرسیون فازی برآورد گردند و ضرایب این رگرسیون توسط شبکه عصبی فازی صورت می گیرد. برای تقریب پارامتر ها، یک الگوریتم درنظر گرفته می شود که این کار توسط شبکه عصبی صورت می پذیرد. در انتها به بررسی و براورد تابع عرضه و تقاضای فازی بازارکار ایران می پردازیم. همچنین توانایی روش مذکور را با روش های موجود مورد بررسی قرار خواهیم داد و مشخص شد که توانایی پیش بینی این روش از روش کاو و تاناکا برتری دارد.

زمینه و هدف: یﮑ ﯽ از ﻣ ﺸ ﮑ ﻼ ت اﺳ ﺎ ﺳ ﯽ ﺑ ﯿ ﻤ ﺎ ری دیابت عدم تشخیص به موقع و درمان ﺻ ﺤ ﯿ ﺢ آن است. مطالعه حاضر با هدف تشخیص بیماری دیابت با استفاده از روش مبتنی برداده کاوی انجام شده است. روش ها: این مطالعه از نوع تحلیلی بوده و پایگاه داده آن مشتمل بر 768 نفر با 8 ویﮋ ﮔ ﯽ می باشد. در این پژوهش از شبکه های عصبی مصنوعی و عصبی-فازی جهت تشخیص بیماری دیابت و انجام محساسبات استفاده شد. تحلیل آماری با استفاده از نرم افزار SPSS 23 و برنامه نویسی در محیط نرم افزار MATLAB 2018انجام شده است. به منظور حصول دقت واقعی از روش Kfold جهت تفکیک نمونه ها به دو دسته آموزش (Train) و آزمون (Test) استفاده گردید. نتایج: خطای محاسبه شده بر اساس میانگین مربعات خطا (mean square error) در روش شبکه عصبی مصنوعی پرسپترون چندلایه (MLP) و شبکه عصبی بردار یاد گیر کوانتیزه (Learning Vector Quantization) و شبکه های عصبی-فازی (Nero fuzzy) به ترتیب 98/6% و 98/2% و 99/6% بدست آمد. نتیجه گیری: با توجه به نتایج مطالعه، بنظر می رسد استفاده از مدل های مبتنی برداده کاوی می تواند بعنوان یک روش کمکی در تشخیص بیماری دیابت کارآمد باشد. اگرچه روش های مورد مطالعه با دقت قابل قبول توانایی امکان پیش بینی بیماری دیابت را دارند اما نتایج مطالعه نشان می دهد که روش مبتنی بر عصبی فازی دقت بالاتری دارند.

متن کامل این مقاله به زبان انگلیسی می باشد، لطفا برای مشاهده متن کامل مقاله به بخش انگلیسی مراجعه فرمایید.لطفا برای مشاهده متن کامل این مقاله اینجا را کلیک کنید.

افسردگی پس از زایمان یک مشکل سلامتی عمومی در مادران پرستاری است که به مراقبت های بهداشتی اولیه بعد از زایمان اهمیت چندانی نمی دهند. این نوع افسردگی که پس از زایمان تجربه می شود حدود 13 تا 19 درصد مادران شیرده را تحت تاثیر قرار می دهد؛ تشخیص افسردگی پس از زایمان بسیار مشکل است و با تمرکز بر بیماری های جسمی اغلب پزشکان قادر به تشخیص آن نبوده و نیاز به بررسی های دقیق روانی دارد. در این مقاله یک سیستم پیش بین فازی عصبی برای پیش بینی افسردگی پس از زایمان مورد استفاده قرار گرفته است همچنین روش جایگزین عصبی نیز در این مقاله مورد بررسی قرار گرفته و نتایج این دو روش با یکدیگر مقایسه شده اند. 20 نمونه داده در آموزش مدل مورد استفاده قرار گرفته است که در سیستم فازی عصبی خطای آموزشی 000054835/0 در دوره یک بوده و در سیستم عصبی مصنوعی خطای آموزشی برابر 003158/0 محاسبه شده است. این تکنیک، تشخیص سریع و صحیح افسردگی پس از زایمان را تسهیل می کند.

پژوهش حاضر با هدف مدلسازی نقش خود رهیابی و سواد رسانه­ای در طفره­روی مجازی انجام گرفت. این پژوهش از نظر راهبرد اصلی، کمی و از نظر تکنیک تحلیلی، توصیفی- همبستگی بود. جامعه آماری این مطالعه شامل دانشجویان تحصیلات تکمیلی بود. روش نمونه­گیری از نوع در دسترس بود. حجم نمونه با توجه به مدل کرجسی- مورگان و با در نظر گرفتن خطای 05/0 =α، 620 نفر در نظر گرفته شد. برای جمع آوری داده ها از پرسشنامه طفره­روی مجازی بلا و همکاران (2006) (با پایایی 89/0=α)، پرسشنامه محقق ساخته خودرهیابی (با پایایی 95/0=α) و پرسشنامه سواد رسانه­ای فلسفی (1393) (با پایایی 86/0=α)، استفاده شد. روایی محتوایی ابزارها با اعمال نظر ده نفر از خبرگان یادگیری الکترونیکی تأیید گردید. داده­ها با رویکرد شبکه عصبی مصنوعی با روش پرسپترون چندلایه (MPL) تحلیل شد. نتایج نشان داد مدلسازی عوامل خودرهیابی و سواد رسانه­ای در طفره­روی مجازی دانشجویان دارای یک لایه ورودی با ده گره و یک لایه پنهان با چهار گره است و شبکه عصبی مصنوعی به خوبی قادر است پرش­ها و روند طفره­روی مجازی دانشجویان را از روی این دو متغیر و خرده مقیاس­هایشان؛ پیش­بینی نماید. تمامی ضریب­های تاثیر لایه پنهان بر لایه خروجی در شبکه عصبی؛ منفی به دست آمده و از اینرو هرچه دانشجویان دارای مهارت خودرهیابی و سوادرسانه­ای بالاتری باشند، کمتر به رفتار طفره­روی مجازی می­پردازند و بالعکس. بر این اساس می­توان دریافت،  میزان سواد رسانه­ای و خودرهیابی دانشجویان متغیرهایی هستند که توان پیش بینی میزان طفره­روی مجازی دانشجویان را دارند.

متن کامل این مقاله به زبان انگلیسی می باشد، لطفا برای مشاهده متن کامل مقاله به بخش انگلیسی مراجعه فرمایید.لطفا برای مشاهده متن کامل این مقاله اینجا را کلیک کنید.

هدف پژوهش حاضر مقایسه قدرت پیش بینی روش های شبکه عصبی فازی با شبکه عصبی موجک فازی در پیش بینی قیمت سهام بانک ها در بورس اوراق بهادار تهران است. دوره پژوهش این پژوهش از سال 1390 تا 1395 است. در این پژوهش، از سیستم منطق فازی به همراه سیستم شبکه عصبی چندلایه با ساختار بهینه سازی پس انتشار خطا و ماکزیمم همپوشانی تبدیل موجک گسسته برای متغیرهای نرخ ارز، نفت اوپک، طلا، شاخص کل سهام و همچنین حجم معاملات برای پیش بینی قیمت سهام استفاده شده است. نتایج حاصل از مدل با استفاده از تابع هزینه بروز رسانی شده انجام گرفته است. نتایج پژوهش در مقایسه شبکه عصبی فازی موجک و شبکه عصبی فازی نشان می دهد که قابلیت اطمینان پیش بینی قیمت سهام بانک ها با شبکه عصبی موجک فازی بالای 90 درصد و با شبکه عصبی فازی بالای 80 درصد است. درنتیجه شبکه عصبی موجک فازی باقابلیت اطمینان بالاتری نسبت به شبکه عصبی فازی عمل می کند.

متن کامل مقاله های این شماره به زبان انگلیسی منتشر شده است، لطفا برای مشاهده مقالات به بخش انگلیسی مراجعه فرماییدلطفا برای مشاهده مقاله های این شماره اینجا را کلیک کنید.