بررسی مقایسه ای توان پیش بینی شبکه های عصبی مصنوعی با استفاده از الگوریتم رقابت استعماریICA و الگوریتم ازدحام ذراتPSO جهت پیش بینی میزان درآمد یکی از شعب تامین اجتماعی استان کرمانشاه

سال انتشار: 1395
نوع سند: مقاله کنفرانسی
زبان: فارسی
مشاهده: 524

فایل این مقاله در 8 صفحه با فرمت PDF قابل دریافت می باشد

این مقاله در بخشهای موضوعی زیر دسته بندی شده است:

استخراج به نرم افزارهای پژوهشی:

لینک ثابت به این مقاله:

شناسه ملی سند علمی:

OUTLOOKECE01_013

تاریخ نمایه سازی: 11 مرداد 1396

چکیده مقاله:

یکی از مهم ترین وظایف مدیریت در سازمان تامین اجتماعی تصمیم گیری است ؛ مهم ترین عنصر تصمیم گیری ، اطلاعات مناسب است . اطلاعاتی که بتواند آینده را بهتر ترسیم نماید، منجر به تصمیم گیری بهتر خواهد شد .از جمله اطلاعاتی که بهبرنامه ریزی های مدیریتی کمک شایانی خواهد کرد پیش بینی درآمد های آتی سازمان می باشد ابزار های مختلف کمی و کیفی برای تصمیم گیری و تامین اطلاعات وجود دارد.در این مقاله شبکه های عصبی مصنوعی چند لایه برای پیش بینی میزان درآمد های حاصله آتی با توجه به داده های متغیر های مورد نیاز طی دوره 93-1364 و بر اساس دیدگاه تورم سری زمانی طراحی و با استفاده از دو الگوریتم رقابت استعماری و الگوریتم ازدحام ذرات آموزش داده وتست کردیم.ارزیابی شبکههای طراحی شده برای تعیین الگوریتم مناسب تر بر مبنای خطای پیش بینی انجام گردیده است . یافته های تحقیق نشان داد الگوریتم ..... با میزان خطای کمتری نتایج را پیش بینی می نماید

نویسندگان

بهاره اجاقی

دانشجوی کارشناسی ارشد کامپیوتر، گروه نرم افزار ، واحد کرمانشاه ، دانشگاه آزاد اسلامی ، کرمانشاه، ایران

ایوب آدینه وند

استادیار دانشکده فنی و مهندسی ، گروه نرم افزار ، واحد کرمانشاه ، دانشگاه آزاد اسلامی ، کرمانشاه، ایران

مراجع و منابع این مقاله:

لیست زیر مراجع و منابع استفاده شده در این مقاله را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود مقاله لینک شده اند :
  • Jang, Jyh-Shing R (1991). Fuzzy Modeling Using Generalized Neural Networks ...
  • Jang, J.-S.R. (1993).، ANFIS: adapti Ve- etwork-based fuzzy inference system?. ...
  • Abraham, A. (2005), *Adaptation of Fuzzy Inference System Using Neural ...
  • Jang, Sun, Mizutani (1997) _ Neuro-Fuzzy and Soft Computing - ...
  • Tahmasebi, P. (2012). 4A hybrid neural n etworks-fuzzy logic-genetic algorithm ...
  • Tahmasebi, P. (2010). *Comparison of optimized neural network with fuzzy ...
  • EbruAkkaya, ANFIS based prediction model for biomass heating value using ...
  • Dervi sKaraboga, Ebubekir Kaya, An adaptive and hybrid artificial bee ...
  • S. Sridevi, S. Nirmala, ANFIS based decision support system for ...
  • Ka sr aMohammadi _ Shahaboddin Sh amshirband, Amirrud inKams in, ...
  • Richard Olawoyin, Application of backprop agation artificial neural network prediction ...
  • Chetan B. Khadse, Madhuri A. Chaudhari, Vijay B. Borghate, Conjugate ...
  • Jun Cheng, Xin Wang, Tingting Si, Fan Zhou, Junhu Zhou, ...
  • Shuangyin Liu, LongqinXu, Daoliang Li, Multi-scale prediction of water temperature ...
  • learning in neural networks: An overview?. Neural Networks. 61: 85-117. ...
  • نمایش کامل مراجع