مقالات شبکه های عصبی (بخش2) - صفحه 2 - Artificial Intelligence

**Astaraki** · ۰۹-۹-۱۳۸۸, ۰۸:۵۵ بعد از ظهر

10- روشی جدید برای بهینه سازی ساختار شبکه عصبی با استفاده از روش تکامل همکارانه

**Astaraki** · ۰۹-۹-۱۳۸۸, ۰۹:۰۰ بعد از ظهر

11- تشخيص هوشمند بيماري ديابت با استفاده از شبکه هاي عصبي چند لايه

**Astaraki** · ۰۹-۱۱-۱۳۸۸, ۰۹:۴۶ بعد از ظهر

12- پاورپوينتي در زمينه مدلسازي درد با استفاده از شبكه‌هاي عصبي مصنوعي

**Astaraki** · ۰۹-۱۲-۱۳۸۸, ۰۵:۱۰ بعد از ظهر

13- محاسبه فاصله زهكشهاي زيرزميني در شرايط غير ماندگار با استفاده از شبكه هاي عصبي مصنوعي

**Astaraki** · ۰۹-۱۳-۱۳۸۸, ۱۲:۱۶ بعد از ظهر

14- تشخيص اشغال کاذب در تجهيزات مخابراتي توسط شبكه هاي عصبي

**Astaraki** · ۰۹-۲۱-۱۳۸۸, ۰۶:۲۹ بعد از ظهر

15- پيش بيني قيمت نفت با دو روش arima و شبكه هاي عصبي مصنوعي

چکيده:
توانايي كم نظير شبكه هاي عصبي مصنوعي به عنوان ابزاري قدرتمند براي تحليل و برآورد در حوزه علوم تجربي و مهندسي موجب شد تا مورد توجه اقتصاددانان قرار گيرد. در اين پژوهش، پس از مرور پژوهش هاي انجام شده در مورد توانايي پيش بيني مدل هاي خود توضيح جمعي ميانگين متحرك (arima) و شبكه هاي عصبي مصنوعي(ann) به مقايسه اين دو روش براي پيش بيني قيمت روزانه نفت در دوره آوريل 1983 تا ژوئن 2005 پرداخته ايم. افزون بر اين، در اين پژوهش پس از مدلسازي به وسيله شبكه هاي عصبي مصنوعي، به منظور تشخيص سهم مشاركت هر پارامتر ورودي در اين مدل از تجزيه و تحليل حساسيت استفاده كرده ايم. با توجه به حجم وسيع به كارگيري اطلاعات روزانه قيمت جهاني نفت (بيش از 5500 روز اطلاعات) نتايج به دست آمده نشان دهنده برتري غيرقابل مقايسه مدل شبكه هاي عصبي مصنوعي نسبت به مدل arima در پيش بيني قيمت روزانه نفت است.

کليدواژگان:
سري هاي زماني، شبكه هاي عصبي مصنوعي(ann)، مدل arima، آناليز حساسيت.