فهرست مقالات شبکه عصبي

• دسترسی آزاد مقاله
  • صفحه چکیده
  • متن کامل
  
  1 - یک مدل پیش بینی برای شناسایی مشتریان اعتباری بد حساب در بانک سامان
  سیامک نوری مسعود یقینی تکتم ژیان
  يکي از تصميمات مهم در بانک ها و مؤسسات مالي و اعتباري، تصمیم گیری در مورد اعطای وام به مشتریان و کاهش ریسک اعتباری است. هدف اين مقاله، ارائه مدلي مبتني بر شبکه هاي عصبي پيش خور براي شناسایی مشتريان اعتباري بد حساب در بانک سامان است. جهت يافتن ساختاري مناسب براي شبکه عصب چکیده کامل

  يکي از تصميمات مهم در بانک ها و مؤسسات مالي و اعتباري، تصمیم گیری در مورد اعطای وام به مشتریان و کاهش ریسک اعتباری است. هدف اين مقاله، ارائه مدلي مبتني بر شبکه هاي عصبي پيش خور براي شناسایی مشتريان اعتباري بد حساب در بانک سامان است. جهت يافتن ساختاري مناسب براي شبکه عصبي در مدل پيشنهادي، از سه استراتژی سريع، پويا و چندگانه استفاده شده است. سه طرح يادگيري از نسبت هاي مختلف داده هاي آموزشي، آزمايشي و اعتبارسنجي تشکيل شده و شبکه هاي عصبي مورد استفاده، در پیکربندی و تعداد لايه هاي پنهان با يکديگر اختلاف دارند. در این پژوهش از متدولوژی داده کاوی CRISP استفاده شده است. داده هاي مورد استفاده در اين پژوهش، داده هاي مربوط به مشتريان اعتباري بانک سامان طي سالهاي 1379 الي 1387 است. براي آماده سازي داده ها، پيش پردازش کاملي روي داده ها صورت گرفته است. جهت پيش گيري از بيش برازش مدل با مشخصات داده هاي آموزشي، بر اساس روش اعتبارسنجي تقاطعي، داده ها به سه قسمت داده هاي آموزشي، آزمايشي و اعتبارسنجي تقسيم گرديدند. براي ارزيابي مدل پيشنهادي، نتايج حاصل از استراتژي ها و طرح هاي مختلف در شبکه ها با يکديگر و با برخي از روش هاي رايج پيش بيني نظیر درخت تصميم و رگرسيون لجستيک مقايسه گرديده است. نتايج حاصل نشان مي دهد که شبکه عصبي سه لايه تحت الگوريتم يادگيري پس انتشار و با استراتژي سريع و طرح يادگيري اول از دقت بالاتري برخوردار است. پرونده مقاله
• دسترسی آزاد مقاله
  • صفحه چکیده
  • متن کامل
  
  2 - مدل¬سازي پتروفيزيکي بخش زيرين سازند رتاوي با بکارگيري شبکه عصبي در تلفيق داده¬هاي لرزه¬اي و نمودارهاي چاه¬پيمايي
  جاوید  حناچی علیرضا  بشری
  ميدان نفتي اسفنديار در بخش شمالي خليج فارس و شمال ميدان فروزان وقع شده است. اين ميدان يک تاقديس بزرگ، که در بخش عرب به آن لوءلوء مي گويند. طول بخش ايراني ميدان 20 و عرض آن 7 کيلومتر مي باشد. اين ميدان در سال 1966 با حفر چاه E1 در شمال آن کشف گرديد. در سال هاي بعد چاه ها چکیده کامل

  ميدان نفتي اسفنديار در بخش شمالي خليج فارس و شمال ميدان فروزان وقع شده است. اين ميدان يک تاقديس بزرگ، که در بخش عرب به آن لوءلوء مي گويند. طول بخش ايراني ميدان 20 و عرض آن 7 کيلومتر مي باشد. اين ميدان در سال 1966 با حفر چاه E1 در شمال آن کشف گرديد. در سال هاي بعد چاه هاي E3 و E2 در جنوب آن حفر شد. آزمايشات ساق مته و توليد در چاه E1 لايه اي 15 متري در بالاي رتاوي زيرين را حاوي نفت نشان داد. چاه E3 خشک ارزيابي گرديد و آزمايش چاه E2 نيز موفق نبود. چاه E4 در لايه بورگان وجود نفت را تائيد نمود و همانند چاه E1 لايه بالاي رتاوي زيرين حاوي نفت بود ضمن اينکه 14 متري از بخش زيرين لايه رتاوي زيرين نيز نفت دار گزارش شد، در بخش عربی ميدان لايه توليد کننده نفت ياماما مي باشد که در رتاوي زيرين قرار دارد. اين لايه در نمودارهاي چاه پيمايي بخش ايراني نيز داراي نفت ارزيابي گرديد. مدل سازي استاتيک زون هاي A و B در لايه رتاوي زيرين با استفاده از داده هاي لاگ و برداشت هاي لرزه اي براي رفع ابهامات موجود در اين ميدان مي تواند گره گشا باشد. در اين مدل سازي در افق مورد مطالعه داده هاي چاه پيمايي و لرزه نگاري به کمک نرم افزارهاي پتروفيزيکي و ژئوفيزيکي نظير ژئولاگ و همپسون راسل تفسير و مدل شده است. در بسط اطلاعات پتروفيزيکي به کمک داده هاي لزه اي از روش شبکه عصبي استفاده گرديده است. به کمک اين مدل بخش هاي مناسب مخزني و محل هاي مناسب جهت حفاري قابل پيش بيني خواهد بود. پرونده مقاله
• دسترسی آزاد مقاله
  • صفحه چکیده
  • متن کامل
  
  3 - پیش بینی بار کاری ماشین های مجازی به منظور کاهش مصرف انرژی در مراکز داده ابری با استفاده از ترکیب مدل های یادگیری ژرف
  زینب خداوردیان خداوردیان حسین صدر مژده نظری سلیماندارابی سید احمد عدالت پناه
  افزایش تقاضا براي کاربردهاي مبتني بر ابر و استفاده ناکارآمد از منابع، موجب مصرف بيرویه انرژي در مراکز داده ابري شده است. مدیریت پویاي منابع در مراکز داده با هدف کاهش مصرف انرژي، از طریق پیشبیني بار کاري ماشین مجازي امکانپذیر است. پیشبیني بار کاري ماشین مجازي این امکان چکیده کامل

  افزایش تقاضا براي کاربردهاي مبتني بر ابر و استفاده ناکارآمد از منابع، موجب مصرف بيرویه انرژي در مراکز داده ابري شده است. مدیریت پویاي منابع در مراکز داده با هدف کاهش مصرف انرژي، از طریق پیشبیني بار کاري ماشین مجازي امکانپذیر است. پیشبیني بار کاري ماشین مجازي این امکان را ميدهد که ماشین مجازي متناسب با درخواست کاربران در زمان مناسب مهاجرت کند و در مصرف انرژي موثر باشد و منابع را به کارآمدترین روش تخصیص دهد. پیشبیني بار کاري ماشین مجازي ميتواند بر اساس الگوي درخواست کاربران باشد براي این منظور ميتوان ماشینهاي مجازي را بر اساس پیشبیني مصرف منابع )به عنوان مثال میانگین مصرف پردازنده( در کلاسهاي حساس یا غیر حساس به تأخیر دستهبندي کرد و سپس، ماشینهاي مجازي متناسب با در خواست کاربران را به آنها اختصاص داد. در واقع پیشبیني بار کاري و تحلیل پیشبیني به عنوان یک فرآیند اولیه براي مدیریت منابع )مانند کاهش تعداد مهاجرت در ادغام پویاي ماشین مجازي( باشد. از این رو در این مقاله از ترکیب شبکه عصبي پیچشي و واحد برگشتي دروازهدار بهمنظور پیشبیني بار کاري ماشینهاي مجازي مایکروسافت آزور استفادهشده است. مجموعه داده آزور یک مجموعه داده داراي برچسب است و بار کاري ماشینهاي مجازي در این مجموعه داده در دو برچسب حساس یا غیر حساس به تأخیر قرار دارند. در این مجموعه داده اکثر ماشینهاي مجازي داراي برچسب غیر حساس به تأخیر ميباشند؛ بنابراین بنابراین توزیع نمونهها در این مجموعه داده به صورت نامتوازن است از ین رو براي رفع این چالش از افزایش تصادفي نمونههاي کلاس اقلیت استفاده شده است. طبق نتایج حاصل از آزمایشها، روش پیشنهادي داراي دقت 42 / 94 است که نشاندهنده برتري مدل پیشنهادي نسبت به سایر مدلهاي پیشین است. پرونده مقاله
• دسترسی آزاد مقاله
  • صفحه چکیده
  • متن کامل
  
  4 - ارائه مدلی برای پیش بینی بقای بیماران مبتلا به ملانوم بر اساس الگوریتم های داده کاوی
  فریناز صناعی سید عبدالله امین موسوی عباس طلوعی اشلقی علی  رجب زاده قطری
  10.61186/jict.44093.15.57.1
  مقدمه: ملانوم جزء شایعترین سرطان تشخیصي و دومین علت مرگ ناشي از سرطان در میان افراد است. تعداد مبتلایان به آن در حال افزایش است. ملانوم، نادرترین و بدخیم ترین نوع سرطان پوست است.در شرایط پیشرفته توانایي انتشار به ارگانهاي داخلي را دارد و ميتواند منجر به مرگ شود. طبق ب چکیده کامل

  مقدمه: ملانوم جزء شایعترین سرطان تشخیصي و دومین علت مرگ ناشي از سرطان در میان افراد است. تعداد مبتلایان به آن در حال افزایش است. ملانوم، نادرترین و بدخیم ترین نوع سرطان پوست است.در شرایط پیشرفته توانایي انتشار به ارگانهاي داخلي را دارد و ميتواند منجر به مرگ شود. طبق برآوردهاي انجمن سرطان آمریکا براي ملانوم در ایالاتمتحده براي سال 2022 عبارتاند از: حدود 99،780 ز افراد مبتلابه ملانوم تشخیص داده شدند و حدود 7،650 نفر در اثر ملانوم جان خود را از دست ميدهند. لذا هدف از این مطالعه، طراحي بهبود دقت الگوریتم براي پیش بیني بقاي این بیماران است. روش پژوهش: روش حاضر کاربردي، توصیفي- تحلیلي و گذشتهنگر است. جامعه پژوهش را بیماران مبتلابه سرطان ملانوم پایگاه داده مرکز تحقیقات کشوري سرطان دانشگاه شهید بهشتي ) 1۳87 تا 1۳91 ( که تا 5 سال مورد پیگیري قرارگرفته بودند، تشکیل داده است. مدل پیشبیني بقاي ملانوم بر اساس شاخص هاي ارزیابي الگوریتم هاي داده کاوي انتخاب شد. یافته ها: الگوریتم هاي شبکه عصبي، بیز ساده، شبکه بیزي، ترکیب درخت تصمیم گیري با بیز ساده، رگرسیون لجستیک، J48 ، ID3 بهعنوان مدل هاي استفاده شده ي پایگاه داده کشور انتخاب شدند . عملکرد شبکه عصبي در همه شاخصهاي ارزیابي ازلحاظ آماري نسبت به سایر الگوریتم هاي منتخب بالاتر بود. نتیجه گیري: نتایج مطالعه حاضر نشان داد که شبکه عصبي با مقدار 97 / 0 ازلحاظ دقت پیش بیني عملکرد بهینه دارد. بنابراین مدل پیش بیني کننده بقاي ملانوم، هم ازلحاظ قدرت تمایز و هم ازلحاظ پایایي، عملکرد بهتري از خود نشان داد؛ بنابراین، این الگوریتم به عنوان مدل پیش بیني بقاي ملانوم پیشنهاد شد پرونده مقاله