یکی از رویکردهای امیدوارکننده در تشخیص زورگویی سایبری استفاده از الگوریتم های یادگیری ماشین و یادگیری عمیق است. با این حال، تشخیص آزار سایبری در شبکه های اجتماعی پیچیده است و یک الگوریتم یادگیری ماشین و یادگیری عمیق به تنهایی توانایی زیادی برای تشخیص دقیق زورگویی سایبری ندارند. در این مقاله برای تشخیص زورگویی سایبری در ابتدا با سه روش استخراج ویژگیGloVe، Word2Vec و TF-IDF ویژگی های اولیه متن استخراج می شود. در مرحله دوم انتخاب ویژگی با استفاده از الگوریتم JSO انجام می شود و در نهایت ویژگی های مهم به عنوان ورودی روش 1D(CNN) و LSTM در نظر گرفته می شود. آزمایشات در مجموعه داده توئیتر و فیس بوک برای تشخیص زورگویی سایبری انجام می شود. آزمایشات نشان می دهد دقت، حساسیت و صحت روش پیشنهادی در تشخیص زورگویی سایبری در مجموعه داده توئیتر به ترتیب برابر 23/98 درصد، 86/97 درصد و 73/97 درصد است. نتایج نشان می دهد روش پیشنهادی نسبت به روشهای (CNN)، LSTM و BERT در تشخیص زورگویی سایبری دارای دقت بیشتری است.

امروزه انرژی الکتریسیته یکی از اساسی ترین نیازهای جوامع بشری محسوب می شود به گونه ای که تمام فعالیت های صنعتی و بخش زیادی از فعالیت های اجتماعی، اقتصادی، کشاورزی و. . . با اتکا به این انرژی انجام می شود، بنابراین کیفیت و تداوم انرژی الکتریسیته از اهمیت بسزایی برخوردار است. هدف این پژوهش آن است که بر اساس عوامل موثر بر بار الکتریکی که دارای روابط پیچیده غیرخطی هستند و عمدتا شامل تغییرات آب و هوا و نوسانات دوره ای روزانه و هفتگی مصرف می باشند به پیش بینی تغییرات مصرف بار کوتاه مدت دست یابد. روش پیشنهادی یک شبکه عصبی ترکیبی، با استفاده از یادگیری عمیق می باشد که از ترکیب دو معماری (CNN) و LSTM ایجاد شده است. معماری (CNN) با توجه به قابلیت آن در استخراج الگوهای موجود در داده و معماری LSTM بر پایه توانایی آن در پیش بینی سری های زمانی، مورد استفاده قرار گرفته اند. رویکرد ارایه شده با استفاده از پیش بینی آب و هوای ساعات آینده و الگوی مصرف بار الکتریکی در ساعات گذشته، قادر به پیش بینی الگوی مصرف آینده خواهد بود. نتایج ارزیابی نشان می دهد که دقت پیش بینی بر اساس معیارهای MAPE، RMSE، RSEوCORR در مقایسه با بهترین روش های موجود بهبود یافته 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 دهه های اخیر، بهینه سازی پورتفوی به عنوان یک حوزه تحقیقاتی پرطرفدار، مورد توجه زیادی از سوی پژوهشگران قرار گرفته است. کیفیت بهینه سازی پورتفوی به سرمایه گذاران کمک می کند تا سودهای پایدارتری ایجاد کنند. در این پژوهش از شبکه عصبی کانواوشنال ((CNN)) برای ساخت مدل بهینه سازی پورتفوی بر پایه پیش بینی استفاده شده است. این مدل ، نه تنها از مزایای تکنولوژی یادگیری عمیق بهره مند می باشد، بلکه از مزایای تئوری مدرن پورتفوی نیز برخوردار است. در این رویکرد، ابتدا از (CNN) برای پیش بینی بازده آتی هر سهم استفاده می شود. سپس، خطای پیش بینی (CNN) به عنوان معیار ریسک هر سهم به کار گرفته می شود. ادغام بازده ی پیش بینی شده با انحراف نیمه مطلق خطای پیش بینی (MSAD)، منجر به ساخت مدل بهینه سازی پورتفوی می شود. این مدل با پورتفوی هم وزن که سهام آن با (CNN) انتخاب شده است، مقایسه می شود. همچنین، دو مدل پورتفوی مبتنی بر پیش بینی از طریق رگرسیون بردار پشتیبان (SVR) به عنوان پورتفوی معیار مورد استفاده قرار می گیرند. داده های تجربی این پژوهش، شامل شرکت های حاضر در شاخص 50 شرکت فعال تر بورس اوراق بهادار تهران می باشد. نتایج تجربی نشان می دهند که مدل پورتفوی مبتنی بر پیش بینی با (CNN) ، عملکرد برتری در مقایسه با SVR در شرایط بازده های متفاوت از خود نشان می دهد. همچنین، افزایش بازده مورد انتظار می تواند منجر به بهبود عملکرد این مدل شود. این پژوهش به وضوح نقش مثبت شبکه های عصبی عمیق (DNNها) در ایجاد مدل های بهینه سازی پورتفوی را نشان می دهد.

خورشید به عنوان جسم خارج از زمین در جو زمین و هوا-فضا تأثیر قابل ملاحظه ای دارد. بروز لک ها شواهدی از دینامیک پیچیده خورشید بوده و نمایانگر فعالیت خورشید هستند. ظهور لک ها در شید سپهر نمایانگر پیچیدگی میدان مغناطیسی در خورشید است. سری زمانی تعداد لک های خورشید در طی چند صد سال گذشته ثبت شده و این سری زمانی دارای تغییرات معنی دار است. دوره های تناوب متنوعی از لک های خورشیدی ثبت شده است و دامنه فعالیت در بازه های مختلف زمانی دارای تغییرات بوده که بیانگر پیچیدگی در سری زمانی لک های خورشیدی است. در این پژوهش، با بهره گیری از داده های لک های خورشید (زمان و تعداد آنها) شبکه پیچیده در حال رشد با شرط پدیداری ساخته شده است. ما نشان دادیم که توزیع درجات شبکه پیچیده سری زمانی لک های خورشیدی از یک تابع قانون توانی پیروی می کند. همچنین نمای درجه توانی توزیع درجات بزرگ تر از مقدار سه به دست آمده است که نشان دهنده شبکه ای بدون مقیاس و جهان-کوچک است. جهان کوچک بودن شبکه پیچیده سری زمانی لک های خورشیدی نشانگر طول مشخصه کوچک با ضریب خوشه ای بالا است. در این مطالعه مشخص شد که همبستگی درجه شبکه پیچیده سری زمانی لک های خورشیدی بسته به اندازه شبکه می تواند جور، ناجور یا خنثی در نظر گرفته شود.

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.

امروزه با پیشرفت تکنولوژی، سنجنده های متعدد، تصاویر ابرطیفی با رزولوشن طیفی و مکانی بالا تهیه می کنند. تا کنون روش-های متعددی برای طبقه بندی تصاویر ابرطیفی ارائه شده اند که هرکدام سعی دارند بر تعدادی از چالش های محاسباتی و پردازشی داده های ابرطیفی فائق آیند. کارایی شبکه های عصبی چندلایه به دلیل افزایش تعداد پارامترها همزمان با افزایش تعداد لایه ها، که در موضوعات پیچیده همچون طبقه بندی تصاویر ابرطیفی ضروری است، بسیار کاهش پیدا می کند. در سال های اخیر مفهوم یادگیری عمیق و به ویژه شبکه های عصبی کانولوشن، به دلیل تولید اتوماتیک ویژگی ها و کاهش پارامترها نسبت به شبکه های عصبی چندلایه ی پرسپترون با به اشتراک گذاشتن پارامترها در هر لایه، بسیار مورد توجه محققان در حوزه-ی شناسایی الگو قرار گرفته است. هدف کلی تحقیق پیش رو، ارائه ی چارچوبی مبتنی بر مفاهیم یادگیری عمیق، به واسطه ی توسعه ی یک شبکه عصبی کانولوشن((CNN)) برای طبقه بندی تصاویر ابرطیفی است. چارچوب مذکور شامل چهار مرحله است. مرحله ی اول) کاهش بعد با استفاده از روش زیرفضا، مرحله ی دوم) آماده سازی ورودی های (CNN)، مرحله ی سوم) غنی سازی داده های آموزشی، مرحله ی چهارم) طراحی معماری (CNN). پیاده سازی چارچوب پیشنهادی بر روی داده های بنچ مارک دانشگاه پاویا، علی رغم بکارگیری تعداد محدودی داده ی آموزشی، موجب حصول صحت طبقه بندی 98/3 درصد شد.