هدف: پوشش ریسک ناشی از نوسان قیمت ها با استفاده از اوراق اختیارمعامله، به ارزش گذاری دقیق و مناسب برای اوراق اختیار معامله وابسته است. به همین دلیل، هدف از این پژوهش، ارزش گذاری اوراق اختیارمعامله در بورس اوراق بهادار تهران با شبکه های عصبی ماژولار و مقایسۀ عملکرد هر یک از این شبکه های عصبی ماژولار با معروف ترین مدل ارزش گذاری اوراق اختیارمعامله، یعنی مدل بلک، شولز و مرتون و مدل شبکۀ عصبی پرسپترون چندلایه است. روش: برای این پژوهش، از داده های اختیارمعامله خرید که از ابتدای سال 1397 تا انتهای سال 1401، در بورس اوراق بهادار تهران معامله شده اند، استفاده شده است. در ابتدا پس از حذف داده های پرت، 80 درصد داده ها، به عنوان داده های آموزش و 20 درصد باقی مانده، به عنوان داده های آزمون در نظر گرفته شدند. برای امکان مقایسه بین نتایج به دست آمده از مدل های مختلف، در طول پژوهش این دو بخش از داده ها ثابت بودند. در این پژوهش با استفاده از معیارهای آماری MSPE، RMSPE و MAPE، قیمت نظری به دست آمده از هر مدل با قیمت های معامله شده در بورس اوراق بهادار تهران مقایسه شد. برای محاسبۀ خطای پیش بینی در مدل بلک، شولز و مرتون، ابتدا با استفاده از فرمول قیمت گذاری آن، قیمت تئوریک اوراق اختیار معامله به دست آمد؛ سپس قیمت های تئوریک به دست آمده از رابطۀ بلک، شولز و مرتون با قیمت های بازاری آن ها مقایسه شد. در مدل های شبکۀ عصبی نیز، ابتدا قیمت اوراق اختیار معامله با استفاده از پایتون و الگوریتم های یادگیری ماشین آن پیش بینی شد و در نهایت، قیمت پیش بینی شده توسط مدل ها و قیمت بازاری همان اختیار معامله مقایسه شد. در پایان، برای بررسی اختلاف معنادار هر مدل با سایر مدل ها، از آزمون مقایسۀ زوجی میانگین درصد خطاها استفاده شد. یافته ها: این پژوهش نشان داد که از منظر معیار RMSPE مدل شبکه های عصبی توسعه یافته با نوسان های ضمنی، در ارزش گذاری اوراق اختیارمعامله خرید در تمام موقعیت های پولی و دوره های زمانی نسبت به سایر مدل های بررسی شده، کمترین میزان خطا و بهترین عملکرد را داشته است؛ با این حال اندکی عملکرد مدل شبکۀ عصبی پرسپترون چندلایه توسعه یافته با نوسان های ضمنی، بهتر از حالت ماژولار آن بوده است. پس از آن، به ترتیب مدل شبکه های عصبی توسعه یافته با نوسان های تاریخی، مدل شبکه های عصبی با داده های مجزا، مدل بلک، شولز و مرتون و مدل شبکۀ عصبی ماژولار پیشنهادی گرادویویچ، گِنجای و کوکولج (2009) بیشترین دقت را داشته اند. از منظر معیار MAPE نیز، همچنان مدل های توسعه یافته با نوسان های ضمنی بهترین عملکرد را داشته اند؛ ولی در تمام مدل های شبکۀ عصبی، عملکرد شبکۀ عصبی پرسپترون چندلایه نسبت به حالت ماژولار بهتر بوده است. نتیجه گیری: مدل های شبکۀ عصبی ماژولار، نسبت به مدل بلک، شولز و مرتون، می توانند عملکرد بهتری داشته باشند. نوسان های ضمنی می تواند سبب بهبود عملکرد شبکه های عصبی در ارزش گذاری اوراق اختیارمعامله شود. از طرفی از منظر معیار RMSPE در مدل های شبکۀ عصبی توسعه یافته با نوسان های تاریخی، شبکۀ عصبی ماژولار عملکرد بهتری نسبت به شبکۀ عصبی پرسپترون چندلایه خواهد داشت؛ ولی در مدل های شبکۀ عصبی توسعه یافته با نوسان های ضمنی، شبکۀ عصبی ماژولار نمی تواند عملکرد بهتری نسبت به شبکۀ عصبی پرسپترون چندلایه به ثبت برساند. به طور کلی شبکه های عصبی توسعه یافته با نوسان های ضمنی، چه در حالت ماژولار و چه در حالت پرسپترون چندلایه، در دوره های زمانی بلندمدت و همچنین در موقعیت های پولی ITM بهترین عملکرد را داشته اند.

تبریز که سریع ترین رشد شهری را در شمال غرب کشور داراست، از بزرگترین شهرهای ایران از لحاظ جمعیتی، اقتصادی، صنعت و حمل ونقلی است که توسعه فزاینده به موازات عدم رعایت برنامه ریزی اصولی کاربری های اراضی و فرسودگی حمل و نقل عمومی و بخش احتراق صنایع و عدم فیلترازسیون مناسب این صنایع به عنوان مثال نیروگاه حرارتی منجر به افزایش آلودگی هوا در سطح شهر شده است. بدین منظور پژوهش حاضر سعی دارد با استفاده از متغیرهای ورودی ( فاصله از مراکز صنعتی، رطوبت، دما، تراکم جمعیت، فاصله از مراکز تجاری، فاصله از ایستگاه های اتوبوس، فاصله از مراکز آموزشی، تغییرات پوشش گیاهی، فاصله از آزاد راه ها، تراکم ساختمانی، جهت باد، دی اکسید کربن و مونوکسید کربن ) به ارزیابی آلودگی هوا با استفاده از شبکه عصبی مصنوعی و رگرسیون خطی در کلانشهر تبریز بپردازد. در پژوهش حاضر سعی گردید متغیرهای مستقل موثر در توزیع احتمال آلایندگی در دو مدل شبکه عصبی پرسپترون چند لایه (MLP) و رگرسیون خطی در ارتباط گذاشته شود تا بتوان با تعریف تمهیداتی در مدیریت شهری و اثر گذاری و برنامه ریزی در متغیرهای یاد شده کنترل آلودگی را بهبود بخشد. نتایج نشان می دهد که عمده ترین آلاینده ها بیشتر مربوط به ذرات معلق (PM10)، گاز (CO2)، (SO2) و (NOx) می باشد. پراکندگی ذرات معلق در هوا بیشتر بر اثر تردد وسایط نقلیه، فعالیت های صنعتی، احتراق سوخت موتورهای دیزل و ساخت و ساز بی رویه و نیاز به تولید برق بیشتر می باشد. فعالیت های نیروگاه های حرارتی، پالایشگاه تبریز و سیستم های گرمایشی خانگی و تجاری درون شهری نیز از جمله عوامل تولید کننده SO2 بوده و بیشترین تولید CO2 مربوط به سوخت خودروهای بنزین سوز می باشد. شدت افزایش مقدار این آلاینده در تمامی ایستگاه های منتخب در فصل های پاییز و زمستان به مراتب بیشتر بوده به طوری که در این فصول آلاینده ها به بیش از دو برابر مجاز نیز می رسند. سهم آلاینده های هوای تبریز را می توان به سه دسته کلی تقسیم بندی نمود که بیشترین عامل متعلق به بخش نیروگاه حرارتی و حمل و نقل می باشد.

در این پژوهش، به‏ منظور انتخاب مدل مناسب به منظور پیش‏بینی رواناب در حوضۀ رودخانۀ بشار، از مدل‏های داده محور شبکۀ عصبی مصنوعی از نوع پرسپترون چندلایه و شبکۀ عصبی فازی از سیستم استنتاج فازی سوگنو، به روش خوشه‏بندی کاهشی استفاده شد و تحلیل عدم قطعیت این مدل‏ها مورد بررسی قرار گرفت. داده‏های مورد استفاده در این پژوهش، شامل مقادیر ماهانۀ بارندگی و دمای متوسط در ایستگاه‏های باران‏سنجی و آبدهی متوسط ماهانۀ رودخانۀ بشار در ایستگاه هیدرومتری واقع در این حوضه از سال 1358ـ 1359 تا 1397ـ 1398 است. نتایج حساسیت سنجی روی تعداد نرون‏های لایۀ میانی در شبکۀ عصبی نشان داد بهترین تعداد نرون لایۀ میانی برای ترکیب ورودی بهینه برابر 13 است. بر اساس شاخص جذر میانگین مربعات خطا (RMSE)، بهترین ترکیب متغیرهای ورودی برای شبیه‏سازی دبی رودخانه، در هر دو مدل شبکۀ عصبی و شبکۀ عصبی ـ فازی، ترکیب ورودی شامل دبی‏های متوسط رودخانه با یک ماه و دو ماه تأخیر به همراه مقادیر بارش ماهانه و بارش ماهانه با یک ماه و دو ماه تأخیر تعیین شد. به‏ منظور بررسی عدم قطعیت مدل‏ها، مدل‏های شبکۀ عصبی مصنوعی و عصبی ـ فازی در قالب یک نمونه‏گیری مونت‏کارلو به کار گرفته شدند. نتایج بررسی عدم قطعیت نشان داد به ازای متغیرهای ورودی تصادفی یکسان، میزان انحراف از معیار در خروجی مدل شبکۀ عصبی بیشتر از مدل شبکۀ عصبی فازی است. همچنین نتایج حاصل از محاسبۀ فاصلۀ اطمینان نشان می‏دهد بازۀ اطمینان برای مقادیر اطمینان مختلف، در شبکۀ عصبی فازی کوچک‏تر است، به ‏طوری ‏که در مدل شبکۀ عصبی با اطمینان 98 درصد خروجی در بازه (64/0 و 036/0) قرار دارد، اما در مدل عصبی ـ فازی با اطمینان 98 درصد، خروجی بین بازه (69/0 و 53/0) قرار دارد که نشان از عدم قطعیت بیشتر در نتایج مدل شبکۀ عصبی دارد.

هدف: تخصیص وجوه به بخش های مختلف اقتصادی و اعطای تسهیلات، یکی از فعالیت های مهم بانک هاست. بانک ها ضمن توجه به سیاست های پولی و مالی تعیین شده توسط دولت ها و بانک مرکزی، این منابع را به بخش های سودآور و مناسب تخصیص می دهند. کاهش و کنترل ریسک اعتباری، یکی از عوامل مؤثر در بهبود فرایند اعطای اعتبار و در نتیجه در عملکرد بانک هاست. حداقل سازی ریسک به همراه حداکثرسازی سود هدفی است که همواره بانک ها به دنبال تحقق آن هستند. کم توجهی به موضوع بازده و ریسک تسهیلات، به تمرکز تسهیلات در بخش های خاصی از اقتصاد منجر شده که خود مشکلات عمده ای را برای بانک ها به همراه داشته است. با توجه به ضرورت تعیین سهم بهینه اعتبارات و ضرورت سیاست گذاری مناسب در این زمینه، پژوهش حاضر در پی ارائۀ یک الگوی مناسب برای تخصیص بهینۀ اعتبارات اعطایی به بخش های مختلف اقتصادی است؛ به گونه ای که با مدل سازی و بهینه سازی ریسک اعتباری با استفاده از ترکیب دو رویکرد اکچوئری و شبکۀ عصبی مصنوعی و با توجه به محدودیت های موجود در سیاست های بانک، پرتفوی اعتباری بهینه به گونه ای تعیین شود که ریسک اعتباری حداقل شود.روش: روش اکچوئری با محاسبۀ احتمال نکول وام ها و ارزیابی دقیق ریسک های مالی، به عنوان ابزار اصلی در مدیریت ریسک بانک ها شناخته می شود. با این حال، این روش ها اغلب نمی توانند پیچیدگی های موجود در تعاملات اعتباری را به طور کامل مدل سازی کنند. برای غلبه بر این محدودیت ها، از شبکۀ عصبی مصنوعی استفاده می شود که توانایی پیش بینی دقیق تر و تطبیق با داده های غیرخطی را دارد. بدین منظور در پژوهش حاضر، ابتدا به بررسی ریسک اعتباری پرتفوی تسهیلات بانکی با استفاده از رویکرد اکچوئری پرداخته می شود؛ سپس با استفاده از شبکۀ عصبی پرسپترون و با توجه به محدودیت های بانک در ارائۀ تسهیلات، ترکیب بهینۀ پرتفوی اعتباری تعیین می شود. نمونه مورد استفاده شامل تسهیلات اعطایی بانک به 280 مشتری کلان خود در 4 بخش صنعتی، خدماتی و بازرگانی، کشاورزی و ساختمان، در سال 1392 است.یافته ها: نتایج به دست آمده نشان می دهد که پرتفوی بهینه شده با تمرکز بیشتر بر بخش کشاورزی، در مقایسه با پرتفوی فعلی بانک که عمدتاً بر بخش صنعت تمرکز دارد، می تواند بازدهی تعدیل شده بر اساس ریسک بهتری را ارائه دهد. در ترکیب پرتفوی بهینه به دست آمده، بیشترین سهم، به بخش کشاورزی مربوط است و بخش های خدماتی و بازرگانی، ساختمانی و صنعتی، به ترتیب در رده های بعدی قرار دارند. در حالی که در پرتفوی فعلی بانک، بیشترین سهم تسهیلات به بخش صنعتی مربوط است و بعد از آن، به ترتیب بخش های خدماتی و بازرگانی، کشاورزی و ساختمان قرار می گیرند. با بررسی پرتفوی تسهیلات نظام بانکی، مشاهده شد که در سال 1392 شواهد تجربی نیز نتایج مدل را تأیید می کند.نتیجه گیری: براساس یافته ها و تأیید فرضیه های پژوهش، می توان نتیجه گرفت که استفاده از مدل اکچوئری برای تعیین ریسک اعتباری و سپس بهینه سازی با استفاده از شبکۀ عصبی مصنوعی، به بهبود فرایند بهینه سازی پرتفوی اعتباری بانک ها منجر می شود؛ از این رو بانک ها می توانند با بهبود ساختار پرتفوی خود از این طریق، ریسک های بالقوه را کاهش دهند و بازده مطمئن تری به دست آورند.

این پژوهش با هدف تعیین تنظیمات بهینۀ مدل شبکۀ عصبی خودرگرسیون غیرخطی با ورودی های برون زا (نارکس) برای پیش بینی روز آتی شاخص کل بورس اوراق بهادار تهران انجام شده است. سایر اهداف شامل مقایسۀ عملکرد مدل نارکس با مدل های شبکۀ عصبی خودرگرسیون غیرخطی (نار) و ورودی - خروجی غیرخطی (نایو)، توسعۀ بازۀ زمانی پیش بینی با استفاده از شبکۀ عصبی نار، اعتبارسنجی مدل نارکس ازطریق تحلیل حساسیت و مقایسۀ عملکرد آن با مدل میانگین متحرک خودرگرسیون انباشته (آریما) است. طبق داده های شاخص کل از سال 1388 تا 1402، مدل نارکس برای پیش بینی روز آتی و مدل نار برای توسعۀ بازۀ زمانی پیش بینی به کار گرفته شد. عملکرد مدل نارکس با مدل های نار، نایو و آریما براساس درصد خطای مطلق مقایسه شد. برای تعیین تنظیمات بهینۀ مدل نارکس و مقایسۀ عملکرد مدل نار با آریما نیز میانگین مجذور خطا ملاک قرار گرفت. یافته ها نشان می دهد که مدل نارکس پیشنهادی، در ترکیب با داده‎ های قیمت باز، بسته، سقف و کف، حجم معاملات و میانگین های متحرک ساده و نمایی بهترین عملکرد پیش بینی را داشته است. در مقایسه با سایر الگوریتم های آموزشی، الگوریتم لونبرگ - مارکوارت بالاترین دقت را ایجاد کرده است. نتایج اعتبارسنجی نیز برتری مدل نارکس را به الگوریتم های شبکۀ عصبی نار و نایو و مدل سنتی آریما تأیید می کند. این پژوهش نخستین بررسی از عملکرد شبکۀ عصبی نارکس در پیش بینی شاخص کل بورس تهران است و یافته های آن، علاوه بر توسعۀ دانش نظری در زمینۀ کاربرد شبکۀ عصبی پویا می تواند به عنوان ابزاری اثربخش در اختیار تحلیلگران بازار سرمایه قرار گیرد.

باریکه های نور فرشی (کارپت) شعاعی، نوع جدیدی از نور ساختاریافته هستند که در گروه باریکه‏ های نوری شبه بسلی دسته‏ بندی می‏شوند. در این مقاله، باریکۀ نور فرشی شعاعی به عنوان بستری برای انتقال اطلاعات و راهکاری برای افزایش درجات آزادی در کدگذاری اطلاعات معرفی شده است و روش شبکۀ‏ عصبی هم گشت به عنوان رویکرد پایه در آشکارسازی و دسته بندی این باریکه‏ ها مورد استفاده قرار گرفته است. برای این منظور، یک مجموعۀ داده شامل 16 کلاس مختلف از مدهای فرشی شعاعی پس از انتشار در فاصلۀ 120 سانتی متری در شرایط تلاطم زیر آب تهیه و شبکۀ عصبی هم گشت مورد نظر بر پایۀ معماری معروف DenseNet-201 و با تکیه بر تکنیک انتقال یادگیری، آموزش داده شده است که نشان دهندۀ دقت 97% در آشکارسازی و دسته بندی مدها است. سپس، عملکرد مدل مذکور، از طریق ارسال و دریافت یک نمونه تصویر خاکستری 4 بیتی با ابعاد 150×200 پیکسل از طریق یک لینک ارتباطی زیر آب بر مبنای مدهای فرشی شعاعی مورد آزمون واقع شده است. نتایج ارزیابی، به وضوح تأیید کنندۀ امکان دستیابی به درجات آزادی جدید در کدگذاری اطلاعات بر مبنای باریکه‏ های فرشی شعاعی و همچنین توانایی تکنیک شبکۀ عصبی هم گشت به عنوان روشی بهینه در آشکارسازی و دسته بندی باریکه‏ های نور ساختاریافته است. این روش، دشواری های ناشی از به کارگیری اجزای اپتیکی متعدد در تکنیک های آشکارسازی همدوس به کمک توری های پراش را حذف می‏کند و علاوه بر ساده سازی تنظیمات سامانۀ اپتیکی، حجم و هزینۀ پیاده سازی را به ویژه در کاربردهای ارتباط نوری کاهش می‏دهد.

یکی از چالش های اصلی مدیریت منابع انرژی، پیش بینی دقیق تقاضا به منظور کاهش هزینه های تولید و ذخیره سازی است. رفتار سری زمانی تقاضای گاز، به دلیل تأثیر متغیرهایی چون شرایط آب وهوایی، قیمت و جمعیت، بسیار پیچیده و غیرخطی است. در این پژوهش، یک مدل ترکیبی بر شبکۀ عصبی حافظۀ طولانی کوتاه مدت همراه با الگوریتم تجزیۀ حالت متغیر و الگوریتم کسینوس-سینوسی ارائه شده است. الگوریتم تجزیۀ حالت متغیر به تجزیۀ داده های سری زمانی و استخراج مؤلفه های اصلی می پردازد و الگوریتم کسینوس-سینوسی، بهینه سازی پارامترهای شبکۀ حافظۀ طولانی کوتاه مدت را برای افزایش دقت پیش بینی انجام می دهد. همچنین، در این پژوهش، علاوه بر ترکیب الگوریتم های فراابتکاری، تأثیر متغیرهای آب وهوایی در بهبود عملکرد شبکه نیز بررسی شده است. دقت پیش بینی مدل با استفاده از معیارهایی مانند ریشۀ میانگین مربعات خطا، میانگین مطلق خطا و درصد میانگین مطلق خطا و در مقایسه با شبکۀ عصبی حافظۀ طولانی کوتاه مدت ساده، مدل رگرسیون بردار پشتیبان و مدل میانگین متحرک یکپارچۀ اتورگرسیو ارزیابی شده است. نتایج نشان می دهد که مدل پیشنهادی توانسته است دقت بالاتری نسبت به سایر مدل ها ارائه دهد و همچنین در برنامه ریزی و مدیریت منابع انرژی به عنوان ابزاری کارآمد مورد استفاده قرار گیرد.

برای حفاظ ­گذاری در برابر تشعشعات هسته ­ای، وزن پائین حفاظ اهمیت فراوانی دارد. طراحی حفاظ یک مسئله بهینه ­سازی چند هدفه است. در طراحی حفاظ ابتدا پارامترها بر پایه معادلات به صورت تحلیلی تخمین زده می شود و سپس با استفاده از کدهای محاسباتی، طراحی نهایی انجام می ­شود. با این وجود در بسیاری از موارد، حفاظ طراحی شده فاقد بهینگی لازم هستند و ضروری است طرح اولیه با استفاده از روش های شناخته شده بهینه گردد. در این پژوهش، به منظور بهینه سازی حفاظ بیولوژیکی یک راکتور ماژولار، یک روش بهینه سازی چند هدفه جهت کوپل کردن الگوریتم PSO با کد محاسباتی  ANISN پیشنهاد شده است. دو تابع هدف جزء شامل وزن و دز تابشی در یک مدل ریاضی چند هدفه لحاظ شده است. تابع هدف کل عبارت است از یک ترکیب خطی وزن دهی شده از هریک از این دو تابع جزء. مواد مورد استفاده برای بهینه سازی شامل بتن، کامپوزیت شامل B4C و 3 B2O  است. نتایج نشان می­ دهد روش بهینه سازی چند هدفه برای طراحی حفاظ بیولوژیکی یک راکتور ماژولار قابل اعتماد و کارآمد است. این روش می تواند کیفیت طراحی حفاظ را بهبود و وزن حفاظ را 38% کاهش و آهنگ دز مجموع نوترون و فوتون را 83% کاهش دهد، نسبت به حالتی که از حفاظ متداول چاهک راکتور (بتن سرپانتین) استفاده شود.

بازاریابی عصبی به کارگیری عصب روان‎شناسی در پژوهش‎های بازاریابی است تا به کمک فناوری‎های نوین به مطالعۀ حسی ـ حرکتی رفتار مصرف کننده مانند پاسخ های شناختی و احساسی به محرک های بازاریابی بپردازد. عملکرد سیستم های تشخیص اولویت مبتنی بر سیگنال های مغزی (EEG) به انتخاب مناسب روش های استخراج ویژگی و الگوریتم های یادگیری ماشین بستگی دارند. در این مقاله از سیگنال‎های EEG 25 شرکت کننده در زمان مشاهدۀ 14 محصول مختلف استفاده شده است. در اینجا ابتدا سیگنال های EEG توسط پالایه های میان گذر و ساویتزکی گولای پیش پردازش می شوند و ویژگی های تبدیل موجک گسسته (DWT) و پیچیدگی لمپل زیو (LZC) از آنها استخراج می شود. سپس ویژگی‎های بهنجارشده به دو بخش آموزش و آزمون تقسیم می شوند. سپس ویژگی های بهنجارشده به شبکۀ عصبی عمیق (DNN) چهار لایه برای پیش بینی نتیجۀ آموزش داده می شوند و درنهایت پس از انجام آموزش، مدل پیشنهادی آمادۀ پیش بینی است. برای ارزیابی عملکرد مدل پیشنهادی از مؤلفه های دقت، فراخوانی و صحت استفاده شده است. نتایج نشان می دهد مقدار مؤلفه های دقت 82درصد، فراخوانی 5/87درصد و صحت 5/87درصد برای تشخیص دو دستۀ پسندیدن و نپسندیدن پس از پنج بار متوسط گیری حاصل شده است. در این پژوهش اثر تبلیغات بر فعالیت مغز مصرف‎کنندگان با تحلیل سیگنال های EEG بررسی شد. نتایج تجربی بر روی مدل پیشنهادی نشان می دهد که مطالعات دراین زمینه می تواند باعث تغییر و بهبود راهبردهای بازاریابی برای بهبود عملکرد تولیدکننده و رضایت مصرف کننده شود و درنهایت، به منفعت متقابل منجر شود.

هدف: تکامل دستگاه تلفن همراه، به طور قطع یکی از موفق ترین نوآوری های تاریخ محسوب می شود و انتشار گسترده و فراگیر بودن آن، از موفقیت این فناوری حکایت می کند. مدیران بازاریابی و کسب وکار، به طور فزاینده ای تلفن همراه را ابزاری جذاب می بینند؛ زیرا به کمک آن می توانند از طریق انواع مختلف ارتباطات بازاریابی با مشتریان تعامل داشته باشند. بازاریابی تلفن همراه، یک کانال ارتباطی و سرگرمی بین برند و مصرف کنندگان نهایی است که به عنوان جایگزینی برای رویکردهای بازاریابی کلاسیک و عنصر کلیدی بالقوه برای استراتژی های ارتباط بازاریابی یکپارچۀ آینده درک می شود. از سوی دیگر، پیشرفت سریع فناوری اطلاعات، به رشد انفجاری تولید داده منجر شده است. وجود پایگاه های عظیم از داده های مشتریان، امروزه مزیت فوق العاده برای کسب وکارها محسوب می شود؛ اما استفاده از روش های سنتی، توان پردازش این حجم از داده را ندارد. علم داده کاوی با فراهم کردن روش های خودکارسازی تحلیل و استخراج داده ها، راه حل مناسبی برای این مسئله است. هدف این پژوهش ارائه مدلی برای پیش بینی عوامل پذیرش بازاریابی تلفن همراه با استفاده از رویکرد ترکیبی مدل سازی معادلات ساختاری و شبکۀ عصبی مصنوعی است. رویکردPLS-ANN یک روش تحلیلی جدید در سیستم های خبره و هوش مصنوعی است. این رویکرد، در مقایسه با رویکرد رگرسیون چندمتغیره موجود، چندین مزیت دارد که فقط می تواند مدل های خطی و جبرانی را آزمایش کند.روش: پرسش نامه ها به صورت آنلاین و به روش نمونه گیری در دسترس توزیع و 219 نسخه جمع آوری شد. داده های توصیفی با استفاده از نرم افزار اس پی اس اس و فرضیه های پژوهش ابتدا با استفاده از مدل سازی معادلات ساختاری و روش حداقل مربعات جزئی (PLS-SEM) و در گام بعدی با استفاده از شبکۀ عصبی مصنوعی (ANN) و زبان برنامه نویسی پایتون بررسی شدند.یافته ها: نتایج این مطالعه بیان می کند که روابط پیشنهادی بین سازه ها، ضرایب معناداری را نشان می دهند؛ بنابراین مدل پژوهش به طور کلی قابل قبول است. براساس نتایج به دست آمده از مدل سازی معادلات ساختاری، تمام فرضیه های پژوهش، مبنی بر تأثیر مثبت متغیرهای نگرش، شخصی سازی‎، نوآوری مصرف کننده، اعتبار و آگاهی بخشی بر پذیرش بازاریابی تلفن همراه تأیید شد و شبکۀ عصبی مصنوعی نیز توانست به خوبی و با دقت 96/0 مدل پژوهش را پیش بینی کند.نتیجه گیری: مزایای بازاریابی تلفن همراه، شامل در دسترس بودن در همه جا، سفارشی سازی بر اساس مشخصات مکانی ـ زمانی و ویژگی های فردی کاربران است. بازاریابی تلفن همراه، نحوه تعامل بازاریابان با مشتریان خود را تغییر داده است. این روند فرصت های جدیدی را برای مشاغلی که در دسترسی به مصرف کنندگان به روش های سنتی مشکل دارند، شکل داده است. بنابراین، بررسی واکنش های مصرف کنندگان به ارتباطات بازاریابی با این فناوری های جدید، اجتناب ناپذیر است. نتایج پژوهش پیش رو، می تواند به مدیران بازاریابی کسب وکارها، به منظور تدوین استراتژی بازاریابی مناسب برای استفاده از ابزار تلفن همراه کمک کند.