مقدمه: آپاندیسیت حاد، شایع ترین علت مراجعه بیماران با دردهای شکمی به اورژانس بیمارستان ها و آپاندکتومی، شایع ترین عمل جراحی اورژانس می باشد. با وجود پیشرفت های چشمگیر در تشخیص این بیماری، آپاندکتومی منفی همچنان میزان قابل توجهی را به خود اختصاص داده است. در پژوهش حاضر، شبکه عصبی مصنوعی جهت کمک به تشخیص آپاندیسیت حاد طراحی و ارزیابی گردید.روش بررسی: این مطالعه به صورت توصیفی انجام شد و در ابتدا ویژگی های موثر تشخیصی، با مطالعه متون تخصصی و منابع مربوط جمع آوری شد. سپس در قالب چک لیست دسته بندی و توسط متخصصان جراحی عمومی ارزیابی و اولویت بندی گردید. حجم نمونه تعیین شده جهت آموزش و ارزیابی عملکرد شبکه عصبی، 181 مورد انتخاب شد. پایگاه داده با استفاده از پرونده بیمارانی که طی سال 1394 در بیمارستان شهید مدرس تهران آپاندکتومی شده بودند، جمع آوری گردید. سپس معماری های مختلف از شبکه عصبی مصنوعی پرسپترون چندلایه (Multilayer perceptron) MLP جهت تعیین بهینه ترین عملکرد تشخیصی در نرم افزار MATLAB پیاده سازی و مقایسه گردید. برای ارزیابی شبکه نیز شاخص های مشخصه، حساسیت و صحت مورد استفاده قرار گرفت.یافته ها: بر اساس مقایسه بهینه ترین خروجی MLP با نتایج پاتولوژی، حساسیت، مشخصه و صحت به ترتیب 68.8، 82.0 و 78.5 درصد گزارش گردید. بر اساس استانداردهای موجود و طبق نظر متخصصان جراحی عمومی و مقایسه با نتایج پاتولوژی، یافته ها بیانگر بهبود صحت تشخیصی در مورد آپاندیسیت حاد بود.نتیجه گیری: MLP طراحی شده می تواند عملکرد فرد متخصص را با دقت قابل قبولی مدل کند. استفاده از شبکه مذکور در سیستم های تصمیم یار بالینی تشخیص آپاندیسیت حاد، با هدف کاهش ارجاعات منفی به مراکز درمانی، تشخیص به موقع، جلوگیری از آپاندکتومی منفی، کاهش مدت بستری بیمار و هزینه های درمانی مفید خواهد بود.

روش های کلاسیک یا روش های سخت بر دقیق بودن محاسبات، پایه گذاری شده اند درحالیکه دنیای واقعی بر نادقیق بودن مرزها و عدم قطعیت ها استوار است که بیشتر با روش های محاسبات نرم مطابقت دارد، که این روش ها نیز به تنهایی نقاط ضعف و قوتی دارند و برای رفع آنها تیوری پیوند زنی مطرح شد که با عنوان سیستم های ترکیبی هوشمند شناخته می شوند. در این تیوری دو یا چند روش هوشمند با یکدیگر ترکیب می شود تا کاستی ها و نواقص روش های منفرد رفع یا تعدیل گردد. در این مطالعه، تخریب جنگل با استفاده از شبکه عصبی پرسپترون و روش ترکیبی عصبی-فازی مدل سازی شده است. برای اینکار از تصاویر سنسور TM ماهواره لندست 5 سال 1999 و سنسور OLI متعلق به لندست 8 برای سال 2017 استفاده شد. از مناطق جنگلی تخریب شده و جنگل بدون تخریب در 200 نقطه نمونه برداری شد. سپس 7 فاکتور تخریب جنگل شامل: فاصله ازعوارضی همچون (شهر-رودخانه-روستا-دریا-جاده)، ارتفاع و شیب برای 200 نقطه محاسبه شد. برای ارزیابی عملکرد مدل ها از میانگین مربعات خطای استفاده شد که برای شبکه پرسپترون با سه الگوریتمLevenberg-Marquardt, Bayesian Regularization, Scaled Conjugate Gradient به ترتیب 50. 053، 40. 070 و 80. 090 بدست آمد. MSE برای مدل عصبی-فازی با الگوریتم بهینه سازی و روش ترکیبی به ترتیب 00. 019 و 0. 0102 محاسبه شد. تحلیل نتایج حاکی از عملکرد مطلوب مدل نروفازی در کاهش خطا و افزایش تعمیم پذیری می باشد. مدل نروفازی با تکیه بر قاعده عدم قطعیت شرایطی را ایجاد کرده که به واقعیت شباهت بیشتری داشته و نسبت به مدل پرسپترون در انتخاب داده ی مناسب موفق تر بوده است.

ساخت سیستم های اتوماتیک تبدیل حرف به صدا برای استفاده در سیستم های تبدیل متن به گفتار در زبان فارسی، به دلیل عدم استفاده از اعراب در نوشتار و در نتیجه مستوربودن بعضی از واکه ها مشکل می باشد و عموما این سیستم ها برای زبان فارسی کارآیی پایینی دارند. در این مقاله ساختار یک سیستم تبدیل حرف به صدا با معماری سه لایه بررسی شده است. لایه اول این سیستم قانون - گرا می باشد و لایه دوم از پنج شبکه عصبی پرسپترون چندلایه ای و یک بخش کنترلر برای تعیین دنباله واجی متناظر با حروف تشکیل شده است. برای تعیین دنباله واجی متناظر با حروف، از شبکه های عصبی استفاده می شود. بخش کنترلر نیز، خروجی شبکه ها را کنترل می کند تا دنباله واجی نهایی متناظر با کلمات با ساختار هجابندی فارسی مطابقت داشته باشد. در لایه سوم نیز یک شبکه عصبی برای تعیین حروف مشدد، با استفاده از نتایج مراحل قبل وجود دارد. اجزا مختلف این سیستم به گونه ای طراحی شده اند که در نهایت برای هر کلمه، یک دنباله واجی منطقی تولید گردد. منظور از دنباله واجی منطقی، دنباله واجی می باشد که در آن اصول بدیهی واج نگاری و ساختار هجابندی زبان فارسی رعایت شده باشد. میزان درستی به دست آمده برای حروف %88 و برای کلمات %61 می باشد که برای تبدیل حرف به صدای زبان فارسی کارآیی بسیار خوبی می باشد.

امروزه در سراسر جهان حجم عظیمی از داده ها از طریق ظرفیت بالای شبکه های مخابراتی نوری انتقال می یابد. در راه آهن نیز شبکه های مخابراتی انتقال نوری در انتقال داده های حیاتی ریلی, و ایمنی سیر و حرکت نقش بسیار بالایی دارند. پایداری قابلیت اطمینان زیرساخت های مخابراتی در افزایش بهره وری، حفظ ایمنی و همچنین کاهش هزینه های نگهداری الزامی می باشد. در این مقاله سطح قابلیت اطمینان موجود و کلیه پارامترهای مربوطه (تعداد قطعی های شبکه و مدت زمان بین خرابی های شبکه MTBF) ) شبکه مخابراتی انتقال نوری راه آهن برای بدست آوردن تعداد مسدودی خطوط ریلی از طریق متد بلوک دیاگرام ((Reliability block diagram مدل سازی و از طریق متد مونت کارلو شبیه سازی شده و سپس با هدف کاهش مسدودی خط بهینه سازی شده است با توجه به اینکه با هر خرابی شبکه، خطوط ریلی مسدود می شوند، تعداد قطعی شبکه با مسدودی خط برابر است. بنا براین با بهینه سازی قابلیت اطمینان شبکه مسدودی خط کاهش می یابد. . همچنین پیش بینی رفتار شبکه و بدست آوردن احتمال خرابی های آن از طریق شبکه های عصبی سه لایه پرسپترون انجام شده و نتایج آن ارائه شده است. شبکه پیاده سازی شده در این مقاله شبکه انتقال مخابرات نوری منطقه ریلی آذربایجان به طول 654 کیلومتر می باشد.

پیش بینی دقیق مدیریت سود بمنظورکشف وشناسایی دستکاری صورت های مالی، همواره یکی از اساسی ترین چالش های پیش روی کاربران گزارش های مالی بوده است. بکارگیری مدل بنیش می تواند یکی از مدل های مناسب برای مدلسازی در زمینه پیش بینی مدیریت سود باشد. به همین منظور در این پژوهش مدل بنیش (1999) با ترکیب متغیر های نظام راهبری شرکتی مشتمل بر ویژگی های ساختار کمیته حسابرسی و حسابرس مستقل، هیات مدیره و مالکیت شرکتی توسعه یافته است. داده های 81 شرکت پذیرفته شده در بورس اوراق بهادار تهران طی سال های 1397-1391 با روش ترکیبی شبکه عصبی پرسپترون چند لایه و الگوریتم های بهینه سازی مبتنی برجغرافیای زیستی، رقابت استعماری و چرخه آب مورد تحلیل قرار گرفته است. دقت پیش بینی مدل با روش ترکیبی شبکه و الگوریتم های چرخه آب، رقابت استعماری و بهینه سازی مبتنی بر جغرافیای زیستی به ترتیب از 59/08 ،59/96 و 59/79 درصد به 92/06 ، 89/24 و 79/72 درصد افزایش پیدا کرده است. نتایج حاکی از بهبود دقت مدل پیشنهادی در کشف شرکت های مدیریت کننده سود و نیز کارایی بالاتر الگوریتم چرخه آب نسبت به دو الگوریتم دیگر در بهینه سازی شبکه عصبی پرسپترون چند لایه می باشد.

ریزش سنگ یکی از پدیده هایی است که رخداد آن سبب ایجاد خسارات زیادی به ویژه در مناطق کوهستانی می شود؛ بنابراین ارزیابی نواحی مستعد رخداد ریزش سنگ در مناطق کوهستانی، امری ضروری است. هدف از این پژوهش، پهنه بندی مخاطره ریزش سنگ در جاده خلخال به شاهرود با استفاده از الگوریتم پرسپترون چند لایه است. برای شناسایی عوامل مهم در رخداد ریزش سنگ با توجه به مطالعات میدانی 8 عامل شناسایی شده که شامل ارتفاع، پوشش گیاهی، جهت شیب، فاصله از گسل، فاصله از جاده، زمین شناسی، کاربری اراضی و شیب است. تمامی لایه ها بعد از فرایند پیش پردازش ، وارد نرم افزار SPSS Modeler شده و مدل سازی با 9 نورون ورودی، 8 نورون میانه و 1 خروجی طراحی شده است. نتایج این پژوهش نشان داد در الگوریتم پرسپترون چند لایه، بیشترین ارزش وزنی را برای لایه زمین شناسی با مقدار 20/0 و برای لایه کاربری اراضی و فاصله از جاده به ترتیب مقدار 14/0 و 12/0 اختصاص داده است. به لحاظ پراکنش طبقات خطرپذیری، 98 درصد از طبقات خطرپذیری زیاد تا خیلی زیاد در بخش جنوبی منطقه گسترش دارد و بخش شمالی منطقه به لحاظ داشتن خطرپذیری در طبقه کم تا متوسط قرار گرفته است. همچنین در بخش اعتبار سنجی مدل، نتایج نشان داد که مقدار AUC در بخش آموزش عدد 9810/0 و در بخش تست شبکه عدد 9876/0 بوده است که این نیز نشان می­دهد مدل در بخش آموزش و هم در بخش تست دارای اعتبار بالایی بوده و در رتبه عالی قرارگرفته است. درنهایت پیشنهاد می­گردد در مطالعات آتی برای بررسی و ارزیابی ریزش سنگ و حرکات دامنه ای در این منطقه، از مدل­های دیگر یادگیری ماشین استفاده شود.