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.

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.

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.

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.

هدف: هدف از این پژوهش، پیش بینی دماهای حداقل به عنوان یکی از عناصر مهم اقلیمی در پیش بینی سرمای دیررس بهاره و یخبندان است.روش: از شبکه های عصبی مصنوعی برای پیش بینی دماهای حداقل ایستگاه های پیرانشهر و سردشت استفاده شده است. بدین منظور، از دوره آماری 18 ساله (1374-1391) ایستگاه سینوپتیک پیرانشهر- سردشت و توابع و امکانات موجود در نرم افزار MATLAB برای آموزش و آزمون این مدل ها بهره گرفته شد. سپس، به بررسی شاخص های عملکرد شبکه، ازجمله ضریب تعیین، مجذور میانگین مربعات خطا، میانگین مربعات خطا، میانگین مطلق خطا، درصد نسبی خطا و ضریب همبستگی پرداخته شد. یافته ها: علاوه بر تایید توانایی شبکه های عصبی مصنوعی، یافته ها نشان داد که حداکثر خطای این مدل با داده های واقعی در ایستگاه های پیرانشهر و سردشت، به ترتیب 0.35 و 0.15 درجه سانتی گراد است که توانایی قابل توجه این مدل را در مدل سازی پیش بینی سرمای دیررس بهاره و یخبندان نشان می دهد.نتیجه گیری: استفاده از روش شبکه های عصبی مصنوعی در پیش بینی دماهای حداقل برای تعیین سرمای دیررس بهاره با توجه به تعیین خطای آموزشی، می تواند به عنوان گزینه ای سودمند موردتوجه و بررسی قرار گیرد.

اهداف: با توجه به اهمیت بالای تولید پایدار محصولات کشاورزی در واحد های کشت و صنعت نیشکر، باید از سیستم های هوشمند مانند شبکه های عصبی مصنوعی جهت مدیریت واحد های مزرعه استفاده کرد. بدین منظور، هدف اصلی تحقیق، مقایسه عملکرد مدل های شبکه عصبی پرسپترون چندلایه و توابع پایه شعاعی به منظور مدل سازی و پیش بینی عملکرد نیشکر و بررسی عوامل موثر بر آن بود. مواد و روش ها: این تحقیق از نوع تحلیلی بوده و پایگاه داده ها ی آن ماتریسی به ابعاد درایه بود. داده های مورد نیاز این تحقیق طی سال های زراعی 1395 تا 1398 از واحد کشت و صنعت نیشکر دعبل خزاعی به دست آمد. متغیرهای ورودی مدل و واحدهای آنان به ترتیب شامل میزان هدایت الکتریکی خاک (دسی زیمنس بر متر)، مقدار کود شیمیایی فسفات و نیتروژن (کیلوگرم بر هکتار)، مقدار آب مصرفی (مترمکعب بر هکتار)، همچنین، تعداد دفعات آبیاری، ماه برداشت محصول، سن گیاه، واریته گیاه، و بافت خاک (بدون ابعاد) بودند. متغیر خروجی، میزان عملکرد (تن بر هکتار) بود. تجزیه و تحلیل توسط نرم افزار متلب 2017 انجام شد. یافته ها: با مقایسه پارامترهای خطای میانگین درصد خطای مطلق و جذر میانگین مربعات خطا و با توجه به شاخص های ضریب تبیین و بازده مدل، مدل توابع پایه شعاعی به ترتیب با داشتن 064494/0(درصد)، 037686/0، 7576/0 و 800409/0(بدون ابعاد) در مرحله اعتبارسنجی به عنوان مدل برتر انتخاب شد. همچنین، مدل توابع پایه شعاعی، متغیرهای واریته گیاه و میزان هدایت الکتریکی خاک را مهم ترین عامل موثر بر میزان عملکرد محصول نیشکر بیان کرد. نتیجه گیری: با انتخاب واریته مناسب گیاه نیشکر و کنترل میزان هدایت الکتریکی خاک می توان عملکرد در واحد سطح را افزایش داد و سبب بهره وری بیشتر از نهاده ها و تولید پایدارتری شد.

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.

هدف: هدف از انجام این پژوهش مقایسۀ خطای قیمت گذاری دو مدل بارلزـ سونر و باکستین ـ هاویسون در بازار اختیار معاملۀ شاخص S&P500 است. این مقایسه برای مشخص کردن نزدیک ترین مدل به بازار اختیار معامله[1] انجام شده است.روش: در ابتدا پس از معرفی دو مدل بارلزـ سونر و باکستین ـ هاویسون به حل معادلات دیفرانسیل جزئی با گروه های لی پرداخته شده است. سپس با داده های تاریخی شاخص S&P500 از  آگوست  تا  آگوست ، قیمت اختیار معامله این دارایی تحت هر دو مدل محاسبه شده است. سپس داده های به دست آمده با شبکه های عصبی پرسپترون چند لایه و احتمالی دسته بندی شده اند. بعد از آموزش، شبکه ها با ارائۀ داده های آزمون بررسی شده و نشان داده اند که بازار به کدام مدل نزدیک تر است. در ادامه، علاوه بر دسته بندی داده ها با شبکه های عصبی، به روش جبرلی به قیمت گذاری اختیار معاملۀ S&P500 پرداخته و جواب حاصل با مقادیر واقعی اختیار معامله در بازار مقایسه شده است.یافته ها و نوآوری: با داده های آماری بعد از 18 آگوست 2023، شبکه های عصبی احتمالی و پرسپترون چند لایه آزموده شده اند. سپس به کمک همان داده ها معادلات بارلزـ سونر و باکستین ـ هاویسون قیمت گذاری و اختلاف آنها از قیمت واقعی بازار محاسبه شده است. در آزمودن شبکه ها، شبکۀ عصبی پرسپترون چند لایه 60 درصد از داده های آزمون و شبکۀ عصبی احتمالی تمامی داده ها را در دسته بارلزـ سونر قرار داد. در محاسبۀ اختلاف جواب های گروه های لی با داده های واقعی بازار، 80 درصد داده ها اختلاف کمتری با مدل بارلزـ سونر داشت. درنتیجه، قیمت واقعی اختیار معاملۀ S&P500 در بازار به مدل بارلزـ سونر نزدیک تر بوده است. به عبارت دیگر، در این بازار مدل بارلزـ سونر خطای کمتری نسبت به مدل باکستین ـ هاویسون داشته است.