داود بهبودی - دانشگاه تبریز، گروه اقتصاد، تبریز، ایران
امینه شیبائی - دانشگاه تبریز، گروه اقتصاد، تبریز، ایران
مهدی کماسی - دانشگاه تبریز، گروه عمران، تبریز، ایران

در بسیاری از سیستم های پیچیده و خصوصاً غیر خطی که مدلسازی و به دنبال آن پیشبینی و کنترل آن ها از طریق روش های کلاسیک و تحلیلی امری بسیار دشوار و در برخی موارد غیر ممکن به نظر می رسد، از روش های غیر کلاسیک نظیر شبکه های عصبی استفاده می شود. این شبکه ها به دلیل ویژگی هایی همچون پردازش موازی، هوشمندی و انعطاف پذیری جایگاه چشم گیری در مسائل پیچیده از قبیل یش بینی، طبقه بندی و خوشه بندی برای خود باز کرده است. در این مقاله علاوه بر معرفی مدل های شبکه های عصبی، دو مدل از شبکه های عصبی پس انتشار و المان در پیش بینی تورم اقتصاد ایران با استفاده از اطلاعات فصلی سال های 9631 تا 9631 طراحی و اجرا شده است. نتایج به دست آمده حاکی از آن است که با توجه به متغیرهای به کار رفته در این مقاله و دوره زمانی مورد بررسی، مدل شبکه های عصبی المان در تمامی موارد عملکرد بهتری در زمینه پیش بینی تورم ایران نسبت به شبکه های عصبی پس انتشار خطا دارد.

پیش بینی، تورم، مدل های شبکه عصبی مصنوعی، شبکه های عصبی پس انتشار خطا، شبکه های عصبی المان