هدف مطالعه حاضر، پیش بینی و ارایه مدل ریسک اعتباری جهت سرمایه پذیران تامین مالی جمعی مبتنی بر بدهی است. با توجه به پیچیدگی ارزیابی ریسک، بهترین معماری شبکه عصبی الگوریتم پرسپترون چند لایه برای شبیه سازی انتخاب شد. جامعه آماری این پژوهش، اطلاعات مالی پرونده اعتباری/تسهیلاتی کلیه مشتریان (506 مورد) یکی از بانک های کشور مربوط به سال 98-97 است. به منظور معناداری رابطه شاخص های استخراج شده از نمونه با متغیر خروجی مدل (نکول و عدم نکول) اعضای نمونه توسط آزمون رگرسیون سنجیده شد. بدین ترتیب تعداد13شاخص به عنوان بردار ورودی شبکه عصبی با سه لایه پنهان در دو گروه نکول و عدم نکول وارد مدل گردید. بر اساس نتایج شبیه سازی، مدل پیشنهادی توانست با خطای کمتر و دقت پیش بینی بالاتر (94. 1) وزن هریک از شاخص های ورودی به شبکه را محاسبه کند. همچنین ضریب تعیین برای داده های آموزشی برابر (0. 88)، آزمایش برابر (0. 94) و ارزیابی برابر (0. 84) بدست آمد که نشان دهنده توانایی برازش بالای مدل شبکه عصبی پیشنهادی است. یافته های پژوهش نشان داد، از میان شاخص های ورودی، درآمدخالص، با وزنی معادل 0. 163، میانگین حساب جاری با وزنی معادل 0. 123 به مراتب از اهمیت بیشتر و شاخص سابقه تحصیلات با وزنی معادل 0. 053 از اهمیت کمتری در گروه عدم نکول شده برخوردار است.

پیش بینی دما به عنوان یکی از مهمترین پارامترهای اقلیمی در حوزه های مختلف مدیریت منابع آبی و طبیعی، خشکسالی ها، مطالعات زیست محیطی، خطر سیلاب، کمبود مواد غذایی، گسترش آفات و بیماری ها، حمل و نقل و غیره از اهمیت وی‍ژه ای در تعیین سیاست های آینده جهت بهینه سازی این منابع و صرف هزینه ها، کنترل و جلوگیری از بحران و استفاده از منابع برخوردار است. مدل پرسپترون چندلایه ((MLP)) یکی از پرکاربردترین مدل های شبکه های عصبی مصنوعی از مولفه های هوش مصنوعی در زمینه پیش بینی عناصر جوی و اقلیمی است که می تواند بدون در نظر گرفتن معادلات پیچیده غیرخطی، دینامیک حاکم بر سیستم را استخراج نموده و خروجی مدل را پیش بینی کند. در این پژوهش، با استفاده از اطلاعات میانگین دمای ماهانه ایستگاه سینوپتیک سنندج در طول دوره آماری 38 ساله (2001-1964)، به عنوان ورودی های شبکه پرسپترون چندلایه، میانگین دمای ماهانه در طی سال های (2005-2002) به منظور تعیین میزان خطای مدل، پیش بینی شد. بدین منظور از امکانات و توابع موجود در محیط برنامه نویسی نرم افزار MATLAB، بهره گرفته شد. سپس به ارزیابی عملکرد مدل، از طریق معیارهای آماری از جمله روابط رگرسیونی و ضریب همبستگی بین مقادیر مشاهداتی و پیش بینی شده دما و همچنین میانگین درصد خطای نسبی پرداخته شد. نتایج بدست آمده نشان دهنده کارآیی مناسب و دقت قابل قبول شبکه های عصبی مصنوعی در پیش بینی دما می باشد. به طوری که ضریب همبستگی برابر با 0.99 و میانگین درصد خطای مدل برابر با 1.97 درصد است. یعنی شبکه، دما را با اختلاف کمتر از یک درجه سلسیوس با دمای واقعی پیش بینی کرده است از این رو با استفاده از این روش می توان وضعیت های دمایی را از قبل تعریف نمود و در مدیریت منابع آبی و طبیعی دخالت داد.

اهمیت روزافزون استقلال از درآمدهای نفتی به دلیل نوسانات قیمت نفت و تقاضای جهانی آن که درآمدهای دولت و اقتصاد کشور را به شدت تحت تاثیر قرار می دهد، باعث شده است تا نقش صادرات غیرنفتی فراتر از ابزاری برای کسب درآمدهای ارزی مطرح شود. به همین دلیل نظر بسیاری از صاحب نظران و پژوهشگران اقتصاد به سمت تحلیل وضعیت موجود صادرات غیرنفتی معطوف شده است. دورنمایی صادرات غیرنفتی امکان بررسی و برنامه ریزی دقیق تر را برای اقتصاد ایران فراهم می نماید.در این مطالعه به منظور پیش بینی صادرات غیرنفتی ایران طی دوره (1389-1338)، از روش های شبکه عصبی مصنوعی (شبکه های پرسپترون چند لایه(MLP) ) و توضیحی جمعی میانگین متحرک (ARIMA) استفاده شد. داده های مورد نیاز 1389 از بانک مرکزی ایران اخذ گردید. به منظور مقایسه دقت پیش بینی روش ها از معیارهای میانگین قدر مطلق انحراف، ریشه میانگین مربع خطا و ضریب تعیین استفاده شد.نتایج نشان داد که شبکه های پرسپترون چند لایه (MLP) دارای خطای پایین تری جهت پیش بینی صادرات غیرنفتی است و به طور معنی داری از مدل ARIMA دقیق تر است. به منظور بررسی تغییرات نرخ دلار در بازار داخلی و تاثیر آن بر صادرات، به پیش بینی صادرات غیرنفتی برای سال های 1390 و 1391 تحت سناریوی افزایش 50% نرخ دلار توسط مدل برتر ((MLP)) پرداخته شد که نتایج دلالت بر تاثیر قابل توجه نرخ دلار بر ارزش صادرات و درآمد ملی دارد. به کارگیری روش های شبکه عصبی مصنوعی، می تواند علاوه بر ایجاد زمینه برای توسعه روش های نوین پیش بینی، سیاست گذاران بخش صادرات به خصوص صادرات غیرنفتی را در تصمیم گیری های آتی، یاری رساند. درنتیجه به نظر می رسد سیاست نرخ دلار مدیریت شده در کشور ما سیاست کارایی است، به شرط آنکه این نرخ همواره در بلندمدت ثابت نباشد.

تشخیص مدولاسیون سیگنال دریافتی، گام میانی بین تشخیص سیگنال و دمدولاسیون آن محسوب می شود؛ به طوری که در بسیاری از سامانه های مخابراتی و نظامی تشخیص خودکار مدولاسیون جزئی از سامانه درنظر گرفته می شود. برای تشخیص خودکار مدولاسیون، به طور معمول تعدادی ویژگی از سیگنال دریافتی استخراج و به کار گرفته می شود، در این رابطه، انتخاب ویژگی مناسب، تاثیر به سزایی در افزایش کارایی تشخیص خودکار مدولاسیون دارد. در این مقاله با کمک برنامه نویسی ژنتیک از بین ویژگی های ورودی، ویژگی مناسب برای جداسازی هر مدولاسیون تولید و انتخاب می شود. شبیه سازی با سیگنال های مدوله شده با مشخصه سیگنال به نوفه پنج و ده دسی بل صورت گرفت. مجموعه ای از آزمایش ها در این پژوهش صورت گرفت که هدف از آنها تعیین میزان کارایی برای سیگنال های مدوله شده با مدولاسیون های پرکاربرد و متداول مخابراتی بوده است. پس از انتخاب ویژگی مناسب برای جداسازی مدولاسیون ها از شبکه عصبی پرسپترون چندلایه برای جداسازی نوع مدولاسیون استفاده می شود. نتایج حاصل نشان می دهد به کارگیری ویژگی هایی که سامانه مورد نظر پیشنهاد می دهد، منجر به افزایش قابل توجهی در تشخیص دقیق تر و سریع تر نوع مدولاسیون می شود.

یکی از مخرب ترین آثار تردد ماشین در مزرعه ایجاد تراکم در خاک های کشاورزی است. تراکم خاک های کشاورزی موجب افزایش مقاومت مکانیکی خاک، کاهش ریشه دوانی گیاه و نهایتا کاهش عملکرد محصول می شود. مدل سازی سیستم های اکولوژیک توسط روش های متداول مدل سازی، به دلیل ماهیت پیچیده آنها در صورت امکان نیز بسیار مشکل است. سیستم های هوش مصنوعی و محاسبات نرم به واسطه سادگی و دقت بالا با یک بار تعریف یا آموزش بسیار مورد توجه هستند. هدف از انجام این تحقیق مدل سازی سیستم تراکم خاک تحت تاثیر رطوبت خاک، سرعت پیشروی ماشین و عمق خاک توسط شبکه های عصبی مصنوعی پرسپترون چندلایه بود. در این پژوهش، رطوبت خاک در پنج سطح 11%، 13/5%، 16%، 19% و 22%، میانگین سرعت پیشروی ماشین در پنج سطح 1، 2، 3، 4 و 5 کیلومتر بر ساعت و عمق های مختلف خاک در سطوح 20، 25، 30، 35 و 40 سانتی متر در نظر گرفته شد. داده های تجربی در مزرعه تحقیقاتی دانشگاه محقق اردبیلی به صورت آزمایش فاکتوریل در قالب طرح بلوک های کامل تصادفی در پنج سطح رطوبت، سرعت پیشروی و عمق خاک در سه تکرار به دست آمدند. شبکه عصبی پرسپترون با پنج نرون در لایه پنهان با تابع انتقال سیگموییدی و تابع انتقال خطی برای نرون خروجی برای مدل سازی طراحی و آموزش داده شد. مقایسه نتایج مدل و نتایج تجربی نشان دهنده ضریب تبیین 0/99 =R2 بین این مقادیر بود. مقدار میانگین مربعات خطای مدل و درصد میانگین مطلق خطای سیستم به ترتیب برابر 0/17 و 0/29 درصد به دست آمدند که نشان از دقت بالای مدل شبکه عصبی در تخمین مقادیر تراکم خاک دارد.

هدف تحقیق حاضر شناسایی و ارزیابی الگویی برای پیش بینی موفقیت یا شکست طرح های پیشنهادی سرمایه گذاری کشاورزی در مناطق روستایی است، این موضوع در حیطه طبقه بندی است، و تعلق هر یک از طرح های پیشنهادی به گروه موفق یا شکست، بر اساس متغیرهای پیش بینی کننده تعیین می گردد. متغیرهای پیش بینی کننده، عبارت اند از مولفه های محیط سرمایه گذاری و ویژگی های پروژه. بر اساس نوشتارهای تخصصی در این زمینه، شبکه عصبی چندلایه پرسپترون با الگوریتم یادگیری پس انتشار خطا، تکنیک و الگوی نسبتا مناسبی برای تبیین مساله به شمار می آید. برای ارزیابی کارایی الگو از شاخص میانگین مربعات خطا، منحنی ROC و شاخص صحت پیش بینی استفاده شده است. ارزیابی الگو مشخص می سازد که شبکه عصبی با 24 نرون در لایه پنهان می تواند حدود 77.5 درصد از نمونه ها را به درستی پیش بینی و طبقه بندی کند. بر اساس نتایج به دست آمده از داده های آزمون شبکه، الگوی ارائه شده توان بیشتری برای پیش بینی و طبقه بندی نمونه های ناموفق در مقایسه با نمونه های موفق دارد (79.2 درصد در برابر 75 درصد). همچنین در این تحقیق، به منظور ارزیابی قابلیت کاربرد شبکه، 31 نمونه جدید به صورت آف لاین به شبکه ارائه شدند. نتیجه نشان می دهد که الگوی ارائه شده، به واقع و در عمل می تواند حدود 64.5 درصد از نمونه ها را به درستی طبقه بندی کند. با الگوی طراحی شده می توان احتمال شکست یا موفقیت هر یک از طرح ها و پروژه های جدید را بر اساس متغیرهای پیش بینی کننده تخمین زد، و بدین ترتیب می توان آن را به همراه دانش و تخصص تصمیم گیرها و متولی یا متولیان توسعه روستایی و کشاورزی و مدیران موسسات مالی و اعتباری، به عنوان ابزاری مناسب برای انتخاب پروژه ها و طرح های بهینه برای سرمایه گذاری و ارائه تسهیلات به آنها، به کار گرفت. مراحل مختلف آموزش، آزمون، اعتبارسنجی و کاربرد شبکه و یا اصطلاحا شبیه سازی شبکه با استفاده از نرم افزار MATLAB انجام شده است.

پیش بینی سود هر سهم و ارزیابی سودمندی سودهای گذشته برای پیش بینی، از دیرباز مورد توجه پژوهشگران بوده و بدین منظور از روش ها و مدل های متفاوتی به منظور پیش بینی سودهای آتی شرکت ها استفاده شده است. در این راستا، در پژوهش حاضر، مدل های سری زمانی توضیحی جمعی میانگین متحرک ARIMA و شبکه های عصبی مصنوعی از نوع پرسپترون چندلایه ((MLP)) مورد استفاده قرار گرفتند و پیش بینی ها برای سودهای فصلی شرکت های پذیرفته شده در بازار بورس اوراق بهادار تهران و بر اساس داده های فصلی سال های 1386 تا 1391 انجام پذیرفت. نتایج نشان داد که مدل شبکه های عصبی مصنوعی به طور معناداری، خطاهای کوچکتری را در پیش بینی نسبت به مدل های ARIMA ایجاد می کنند و درنتیجه پیش بینی سودهای فصلی این شرکت ها، توسط شبکه های عصبی مصنوعی و با روش (MLP) از توان بیشتری نسبت به ARIMA برخوردار است.

تفسیر گسل ها و شکستگی ها به عنوان یکی از مراحل کلیدی در تفسیر لرزه ای درک مناسبی از خواص ایستا و پویای مخزن ارایه می دهد. مطالعه نشانگرهای لرزه ای هندسی و ترکیب آنها بر اساس شبکه عصبی مصنوعی، سیستم های فازی و توسعه روش های شناسایی خودکار لبه مبتنی بر روش های هوش مصنوعی از جمله مطالعات انجام گرفته در خصوص شناسایی خودکار گسل ها و شکستگی ها است. در این مطالعه از تلفیق نتایج حاصل از شبکه عصبی مصنوعی پرسپترون چندلایه با الگوریتم پس انتشار و نشانگرهای لرزه ای غیرمتعارف (مانند نشانگرهای درستنمایی گسل، چگالی، قرابت و شیب شکستگی) جهت بهبود نتایج تفسیر ساختمانی استفاده شده است. طرحواره پیشنهادی بر روی یک داده مصنوعی دو بعدی با نسبت نشانک به نوفه 2 و یک داده لرزه نگاری سه بعدی در بردارنده رویداد گسلش اجرا شد. نتایج نشان داد که طرحواره پیشنهادی نسبت به نتایج حاصل از شبکه عصبی مصنوعی پرسپترون چندلایه، ضمن تاثیرپذیری کمتر نسبت به نوفه پس زمینه لبه های موجود در داده های مورد مطالعه را با تفکیک پذیری نسبتا بالایی شناسایی کرده است. انطباق نتایج حاصل از تلفیق شبکه عصبی مصنوعی پرسپترون چندلایه و نشانگر درستنمایی گسل با نتایج حاصل از وارون سازی رنگی داده لرزه ای، به عنوان یک روش وارون سازی کارآمد، حاکی از اعتبار بالای طرحواره پیشنهادی است. استخراج خودکار موقعیت فضایی صفحه گسلش در مقایسه با نتایج حاصل از تفسیر دستی، ضمن کاهش 70 درصد زمان تفسیر، تصویر دقیق تری از محدوده گسل مورد مطالعه ارایه داده است.

در این مقاله یک الگوریتم هوشمند جهت اکتشاف قنات های زیرزمینی مدفون با شبکه های عصبی و با استفاده از داده های میکروگرانی سنجی ارایه شده است.به منظور برآورد عمق و اندازه قنات های زیرسطحی از روی بی هنجاری (آنومالی) گرانی باقی مانده یک شبکه عصبی مصنوعی با سرپرست، از نوع پرسپترون چندلایه ((MLP)) طراحی شد. از آنجا که در طراحی شبکه عصبی سرعت پردازش داده ها از اهمیت خاصی برخوردار است و تعداد ورودی های زیاد باعث پیچیدگی غیرمنطقی توپولوژی شبکه می شود، به جای اعمال همه داده های تصحیح شده، میکروگرانی در حکم ورودی، مجموعه ای مشخصه های مناسب (Features) از روی آنومالی باقی مانده داده های میکروگرانی استخراج می شود، سپس با توجه به مدل های کره و استوانه که نزدیک ترین مدل ها به قنات های مدفون هستند، مجموعه ای از داده های آموزشی که برای آموزش شبکه عصبی طراحی شده اند، مورد استفاده قرار می گیرند، در واقع شبکه عصبی طراحی شده پس از این آموزش قادر خواهد بود که با توجه به مشخصه های استخراج شده از روی بی هنجاری باقی مانده، عمق و شعاع قنات مدفون را به دست آورد.از آنجا که قاعده کلاسیک خاصی برای انتخاب تعداد نورون ها در لایه پنهان شبکه عصبی چندلایه وجود ندارد، شبکه های عصبی چندلایه گوناگونی با تعداد نورون های متفاوت در لایه پنهان مورد آ‍زمایش قرار گرفت و نمودارهای عملکرد شبکه در هر حالت به دست آمد تا از روی آن بهترین مقدار تعداد نورون ها در لایه پنهان حاصل شود.پس از این مرحله ابتدا با استفاده از مجموعه ای داده های مصنوعی، شبکه عصبی طراحی شده مورد آزمون قرار گرفت. سپس خروجی های شبکه با استفاده از داده های مصنوعی نوفه دار برای مدل های کره و استوانه بررسی شد که عملکرد مناسبی را نشان داد.همچنین، عمق قنات زیرزمینی مدفون واقع در ورودی شمالی موسسه ژئوفیزیک در حکم نمونه ای عملی با شبکه عصبی طراحی شده، به دست آمد که با مقدار واقعی آن انطباق خوبی داشت.